EN ESTA SECCIÓN

1 Introducción

En el corazón de la economía global existe una paradoja fundamental: mientras que algunos indicadores sugieren una relación lineal y predecible entre el desarrollo económico y el bienestar social, la realidad es mucho más compleja y matizada. Tomemos un ejemplo: Costa Rica tiene una esperanza de vida comparable a la de países europeos desarrollados, pero con un PIB per cápita significativamente menor; Qatar, por su parte, lidera en PIB per cápita pero no encabeza necesariamente en todos los indicadores de bienestar social (Shkolnikov et al., 2019). Estas “anomalías” no son excepciones sino revelaciones de una verdad fundamental: el desarrollo no es unidimensional.

El problema central que motiva este trabajo es fundamental: ¿Cuáles son realmente los “tipos” de desarrollo que caracterizan la economía mundial cuando se analiza simultáneamente un conjunto amplio de 17 indicadores económicos, sociales, tecnológicos y ambientales? No se trata de responder cuál país es más “rico”, sino algo más profundo: descubrir si existen estructuras ocultas en los datos que agrupen países con perfiles similares más allá de la geografía o las clasificaciones convencionales. Específicamente, la pregunta es: ¿Colombia y Uruguay podrían compartir más similitudes con algunos países asiáticos que con sus propios vecinos latinoamericanos? ¿Existe realmente un “grupo de países con baja renta pero alto acceso tecnológico”? ¿Las características ambientales y demográficas se alinean con la riqueza económica o presentan patrones independientes?

Históricamente, el desarrollo internacional se ha medido mediante indicadores aislados. El PIB per cápita domina los rankings; la esperanza de vida se analiza independientemente; la conectividad digital se observa separadamente. Este enfoque fragmentado es problemático porque el desarrollo no es unidimensional: un país puede ser económicamente exitoso pero frágil en salud pública, o tener excelente conectividad digital pero vulnerabilidad ambiental crítica (Jolliffe, 2002; World Bank, 2023). Los datos del año 2022 capturan un momento único en la historia económica global: post-pandemia de COVID-19, con efectos heterogéneos según país. Algunos recuperaron rápidamente su dinamismo; otros enfrentaron cicatrices estructurales persistentes en empleo, salud y finanzas públicas (World Bank, 2023).

El Banco Mundial proporciona 17 indicadores reconocidos internacionalmente que miden dimensiones distintas: factores económicos (PIB per cápita, crecimiento del PIB, inversión extranjera, remesas, industria, comercio), indicadores de salud y bienestar (esperanza de vida, mortalidad infantil, gasto en salud), variables de conectividad tecnológica (acceso a electricidad, uso de internet, suscripciones móviles) y aspectos ambientales y demográficos (área boscosa, tierra cultivable, crecimiento poblacional) (World Bank, 2023). Analizar estas 17 variables de forma independiente genera ruido; analizarlas de manera integrada puede revelar patrones coherentes que informan políticas públicas, estrategias de cooperación internacional y decisiones de inversión.

El desafío es modelar una pregunta sin respuesta predefinida: ¿Qué agrupamientos naturales de países emergen cuando se analiza simultáneamente esta multiplicidad de indicadores? Este es precisamente el rol del aprendizaje no supervisado—un conjunto de técnicas que descubren patrones en datos sin etiquetas previas, sin clasificaciones arbitrarias impuestas externamente (Charrad et al., 2014; Jolliffe, 2002).

Lo que sigue es una cartografía multidimensional de la economía global en el contexto post-pandemia: no solo se responde “¿en qué grupos se dividen los países?”, sino, más profundamente, “¿qué revelan estos grupos sobre mecanismos reales del desarrollo, oportunidades compartidas, restricciones comunes y trayectorias viables para diferentes sociedades?” Los resultados no serán una clasificación administrativa sino un descubrimiento empírico basado en lo que los datos de 180 países en 2022 efectivamente revelan.


2 Metodología

2.1 Base de datos

La base de datos utilizada en este análisis proviene de la compilación World Development Indicators (WDI) del Banco Mundial, considerada la principal fuente internacional de estadísticas comparables sobre desarrollo económico y social (World Bank, 2023). Los WDI representan el esfuerzo más comprehensivo del Banco Mundial para consolidar indicadores de desarrollo de fuentes oficialmente reconocidas, incluyendo oficinas nacionales de estadística, bancos centrales, agencias de las Naciones Unidas, instituciones de investigación y contribuyentes del sector privado (World Bank, 2023; Jeanty, 2010).

La base WDI contiene aproximadamente 1,600 indicadores de series temporales para 217 economías y más de 40 grupos de países, con datos para muchos indicadores que se remontan más de 50 años (World Bank, 2023). Los datos son compilados mediante metodologías estandarizadas que garantizan comparabilidad internacional, transparencia metodológica y robustez estadística (World Bank, 2019). El proceso de selección de indicadores del WDI sigue cuatro criterios fundamentales: facilidad de uso (accesibilidad y claridad para usuarios diversos), confiabilidad (reputación y credibilidad de la fuente), cobertura (amplitud geográfica y temporal), y calidad (rigor metodológico y precisión) (Behar & Mok, 2024).

Para este análisis, se filtro información exclusivamente para países individuales (eliminando bloques regionales o agrupaciones económicas) del año 2022. El dataset resultante contiene aproximadamente 180-200 países, según la disponibilidad de datos completos, donde cada observación representa una unidad soberana comparable en un único punto temporal.

El año 2022 marca un punto de inflexión crítico en la economía global, representa el momento post-pandemia en que las trayectorias de recuperación de cada país se hacen visibles y diferenciadas. Mientras algunos países desarrollados con capacidad fiscal recuperaron o superaron niveles pre-COVID-19, economías emergentes enfrentaban cicatrices estructurales persistentes en empleo, inflación descontrolada, y aumento de deuda pública (Banco Mundial, 2022; FMI, 2023; CEPAL, 2023). La desigualdad global se amplió drásticamente: el crecimiento proyectado para América Latina en 2022 era apenas 2.6%, mientras la desigualdad de ingresos aumentó significativamente después de dos décadas de mejoras (BID, 2022).

En este contexto, 2022 funciona como un “revelador” excepcional de vulnerabilidades y fortalezas estructurales subyacentes de los países: aquellos con sistemas de salud robustos, infraestructura tecnológica consolidada y economías diversificadas mostraron resiliencia; los que enfrentaban fragilidades estructurales experimentaron impactos persistentes (Banco Mundial, 2022; CIDOB, 2022). Por tanto, 2022 es un año extraordinariamente informativo para identificar perfiles reales de desarrollo, ya que las diferencias entre países se magnificaron visiblemente, permitiendo observar no clasificaciones arbitrarias sino estructuras auténticas de capacidad nacional.

2.2 Descripción de las variables

El dataset construido para este análisis integra 17 variables cuantitativas que capturan las múltiples dimensiones del desarrollo contemporáneo. Estas variables se organizan en cinco áreas temáticas que, en conjunto, ofrecen una perspectiva comprehensiva del desempeño socioeconómico, tecnológico y ambiental de cada país. A continuación, se presenta una descripción detallada de cada variable según su área temática.

2.2.1 Dimensión economica

La inclusión de variables económicas es fundamental porque el desarrollo ha sido históricamente conceptualizado como un proceso de transformación estructural impulsado por el crecimiento económico (World Bank, 2023; Piketty, 2022). Sin embargo, el crecimiento económico no es unidimensional: requiere tanto un nivel absoluto de riqueza (PIB per cápita) como dinamismo y expansión (crecimiento del PIB), diversificación productiva (industria), y capacidad de atracción de inversión internacional (IED) que transfiera conocimiento y capital (ECB, 2018). Además, las economías contemporáneas están integradas globalmente, por lo que exportaciones, importaciones y remesas son transmisores clave de oportunidades y vulnerabilidades económicas (World Bank, 2023)., en la tabla 1 las observamos.

variables_economicas <- data.frame(
  Variable = c(
    "PIB per cápita (US$)",
    "Crecimiento del PIB (% anual)",
    "Inversión extranjera directa (% PIB)",
    "Remesas recibidas (% PIB)",
    "Industria (% PIB)",
    "Exportaciones (% PIB)",
    "Importaciones (% PIB)"
  ),
  
  Descripción = c(
    "PIB dividido por población, en dólares corrientes. Indicador principal del nivel de ingreso y producción económica por persona.",
    "Tasa de variación anual del PIB en precios constantes. Refleja la expansión o contracción económica de un país.",
    "Flujos netos de inversión con interés gerencial duradero. Fuente crucial de financiamiento externo y transferencia tecnológica.",
    "Transferencias personales de migrantes que trabajan en el extranjero. Flujo financiero clave para muchas economías en desarrollo.",
    "Valor agregado del sector industrial. Refleja el grado de industrialización y la estructura productiva de una economía.",
    "Valor de bienes y servicios vendidos al exterior. Mide el grado de apertura comercial y oportunidades de crecimiento.",
    "Valor de bienes y servicios comprados al exterior. Indica la dependencia de la economía respecto al comercio internacional."
  ),
  
  Interpretación = c(
    ">20,000 USD: economía desarrollada\n5,000-20,000 USD: economía emergente\n<5,000 USD: economía en desarrollo",
    ">3%: crecimiento robusto\n0-3%: crecimiento moderado\n<0%: recesión económica",
    ">5%: alta atracción de IED\n2-5%: nivel moderado\n<2%: baja atracción de inversión",
    ">10%: alta dependencia\n2-10%: contribución significativa\n<2%: impacto limitado",
    ">30%: economía industrializada\n20-30%: sector industrial sólido\n<20%: base industrial reducida", 
    ">50%: economía muy abierta\n30-50%: apertura moderada\n<30%: economía relativamente cerrada",
    ">40%: alta dependencia importaciones\n25-40%: nivel moderado\n<25%: autosuficiencia relativa"
  )
)

tabla_1 <- variables_economicas %>%
  gt() %>%
  tab_header(
    title = md("**Tabla 1**"),
    subtitle = "Variables Macroeconómicas y su Interpretación"
  ) %>%
  cols_label(
    Variable = md("**Variable**"),
    Descripción = md("**Descripción**"),
    Interpretación = md("**Interpretación**")
  ) %>%
  cols_align(
    align = "left",
    columns = everything()
  ) %>%
  tab_style(
    style = list(
      cell_text(weight = "bold", size = "medium", color = "#000000"),
      cell_fill(color = "#00e5ff")
    ),
    locations = cells_column_labels()
  ) %>%
  tab_style(
    style = cell_borders(
      sides = c("top", "bottom"),
      color = "#00e5ff",
      weight = px(2)
    ),
    locations = list(
      cells_column_labels(),
      cells_body()
    )
  ) %>%
  tab_style(
    style = cell_borders(
      sides = "right",
      color = "#00e5ff",
      weight = px(1)
    ),
    locations = cells_body(columns = c(Variable, Descripción))
  ) %>%
  tab_style(
    style = list(
      cell_fill(color = "#0a0e1a"),
      cell_text(color = "#e0e6ed")
    ),
    locations = cells_body()
  ) %>%
  tab_style(
    style = cell_text(weight = "bold", color = "#00e5ff"),
    locations = cells_body(columns = Variable)
  ) %>%
  tab_style(
    style = cell_text(size = "small", color = "#e0e6ed"),
    locations = cells_body(columns = c(Descripción, Interpretación))
  ) %>%
  tab_style(
    style = list(
      cell_text(weight = "bold", color = "#00e5ff", size = "large")
    ),
    locations = cells_title(groups = "title")
  ) %>%
  tab_style(
    style = list(
      cell_text(color = "#e0e6ed", size = "medium")
    ),
    locations = cells_title(groups = "subtitle")
  ) %>%
  tab_options(
    table.font.names = "Arial",
    table.width = pct(100),
    table.border.top.style = "none",
    table.border.bottom.style = "none",
    column_labels.border.top.style = "solid",
    column_labels.border.top.color = "#00e5ff",
    column_labels.border.top.width = px(3),
    column_labels.border.bottom.style = "solid",
    column_labels.border.bottom.width = px(3),
    column_labels.border.bottom.color = "#00e5ff",
    table_body.border.bottom.style = "none",
    table_body.border.top.style = "none",
    table_body.hlines.style = "solid",
    table_body.hlines.color = "#00e5ff",
    table_body.hlines.width = px(1),
    table.background.color = "#0a0e1a",
    data_row.padding = px(10),
    heading.title.font.size = 18,
    heading.subtitle.font.size = 14,
    heading.padding = px(12),
    heading.border.bottom.style = "solid",
    heading.border.bottom.width = px(2),
    heading.border.bottom.color = "#00e5ff",
    footnotes.padding = px(10),
    footnotes.font.size = 13,
    source_notes.font.size = 13,
    source_notes.padding = px(10)
  ) %>%
  tab_source_note(
    source_note = md("**Fuentes:** Elaboración propia con base en World Bank (2023), UN (2015), ECB (2018)")
  ) %>%
  tab_footnote(
    footnote = "Los umbrales de interpretación son referenciales y pueden variar según el contexto regional y temporal",
    locations = cells_title(groups = "subtitle")
  )

tabla_1
Tabla 1
Variables Macroeconómicas y su Interpretación1
Variable Descripción Interpretación
PIB per cápita (US$) PIB dividido por población, en dólares corrientes. Indicador principal del nivel de ingreso y producción económica por persona. >20,000 USD: economía desarrollada 5,000-20,000 USD: economía emergente <5,000 USD: economía en desarrollo
Crecimiento del PIB (% anual) Tasa de variación anual del PIB en precios constantes. Refleja la expansión o contracción económica de un país. >3%: crecimiento robusto 0-3%: crecimiento moderado <0%: recesión económica
Inversión extranjera directa (% PIB) Flujos netos de inversión con interés gerencial duradero. Fuente crucial de financiamiento externo y transferencia tecnológica. >5%: alta atracción de IED 2-5%: nivel moderado <2%: baja atracción de inversión
Remesas recibidas (% PIB) Transferencias personales de migrantes que trabajan en el extranjero. Flujo financiero clave para muchas economías en desarrollo. >10%: alta dependencia 2-10%: contribución significativa <2%: impacto limitado
Industria (% PIB) Valor agregado del sector industrial. Refleja el grado de industrialización y la estructura productiva de una economía. >30%: economía industrializada 20-30%: sector industrial sólido <20%: base industrial reducida
Exportaciones (% PIB) Valor de bienes y servicios vendidos al exterior. Mide el grado de apertura comercial y oportunidades de crecimiento. >50%: economía muy abierta 30-50%: apertura moderada <30%: economía relativamente cerrada
Importaciones (% PIB) Valor de bienes y servicios comprados al exterior. Indica la dependencia de la economía respecto al comercio internacional. >40%: alta dependencia importaciones 25-40%: nivel moderado <25%: autosuficiencia relativa
1 Los umbrales de interpretación son referenciales y pueden variar según el contexto regional y temporal
Fuentes: Elaboración propia con base en World Bank (2023), UN (2015), ECB (2018)

2.2.2 Dimension de salud y bienestar

La inclusión de variables sanitarias responde a que el desarrollo no es puramente económico sino que debe reflejarse en mejoras sustantivas en la calidad de vida, particularmente en indicadores de salud poblacional (Sachs et al., 2022; World Bank, 2023). La esperanza de vida es considerada por organismos internacionales como el indicador sintético más robusto de desarrollo humano, capturando tanto el acceso a servicios de salud como condiciones generales de vida (OECD, 2024). La mortalidad infantil es particularmente sensible a la calidad del sistema sanitario, y el gasto en salud refleja el esfuerzo institucional de un país por asegurar bienestar poblacional (World Bank, 2023)., en la tabla 2 las observamos.

variables_salud <- data.frame(
  Variable = c(
    "Esperanza de vida al nacer (años)",
    "Mortalidad infantil (por cada 1,000 nacidos vivos)",
    "Gasto en salud (% del PIB)"
  ),
  
  Descripción = c(
    "Número promedio de años que se espera que viva un recién nacido si los patrones de mortalidad prevalecientes al momento de su nacimiento permanecen constantes a lo largo de su vida. Es uno de los indicadores más robustos para medir el estado de salud poblacional, reflejando la calidad del sistema sanitario, acceso a servicios médicos, condiciones de vida, nutrición y factores ambientales.",
    "Número de muertes de niños menores de un año por cada 1,000 nacimientos vivos. Es un indicador sensible de la calidad de atención sanitaria materno-infantil, condiciones sanitarias, acceso a agua potable y nutrición adecuada, funcionando como proxy de desarrollo social y capacidad institucional del sistema de salud.",
    "Gasto corriente en salud expresado como porcentaje del PIB, incluyendo tanto gasto público como privado. Refleja la prioridad presupuestaria que un país asigna al sector salud y su capacidad de financiar infraestructura sanitaria, siendo un determinante clave de resultados de salud poblacional."
  ),
  
  Interpretación = c(
    ">75 años: salud poblacional avanzada\n70-75 años: nivel medio de desarrollo sanitario\n<70 años: desafíos significativos en salud pública",
    "<10: excelentes condiciones sanitarias\n10-25: condiciones moderadas\n>25: necesidades críticas en salud infantil",
    ">8%: alta prioridad en salud\n5-8%: compromiso moderado\n<5%: recursos sanitarios limitados"
  )
)

tabla_2 <- variables_salud %>%
  gt() %>%
  tab_header(
    title = md("**Tabla 2**"),
    subtitle = "Indicadores de Salud Pública y su Interpretación"
  ) %>%
  cols_label(
    Variable = md("**Variable**"),
    Descripción = md("**Descripción**"),
    Interpretación = md("**Interpretación**")
  ) %>%
  cols_align(
    align = "left",
    columns = everything()
  ) %>%
  tab_style(
    style = list(
      cell_text(weight = "bold", size = "medium", color = "#000000"),
      cell_fill(color = "#00e5ff")
    ),
    locations = cells_column_labels()
  ) %>%
  tab_style(
    style = cell_borders(
      sides = c("top", "bottom"),
      color = "#00e5ff",
      weight = px(2)
    ),
    locations = list(
      cells_column_labels(),
      cells_body()
    )
  ) %>%
  tab_style(
    style = cell_borders(
      sides = "right",
      color = "#00e5ff",
      weight = px(1)
    ),
    locations = cells_body(columns = c(Variable, Descripción))
  ) %>%
  tab_style(
    style = list(
      cell_fill(color = "#0a0e1a"),
      cell_text(color = "#e0e6ed")
    ),
    locations = cells_body()
  ) %>%
  tab_style(
    style = cell_text(weight = "bold", color = "#00e5ff"),
    locations = cells_body(columns = Variable)
  ) %>%
  tab_style(
    style = cell_text(size = "small", color = "#e0e6ed"),
    locations = cells_body(columns = c(Descripción, Interpretación))
  ) %>%
  tab_style(
    style = list(
      cell_text(weight = "bold", color = "#00e5ff", size = "large")
    ),
    locations = cells_title(groups = "title")
  ) %>%
  tab_style(
    style = list(
      cell_text(color = "#e0e6ed", size = "medium")
    ),
    locations = cells_title(groups = "subtitle")
  ) %>%
  tab_options(
    table.font.names = "Arial",
    table.width = pct(100),
    table.border.top.style = "none",
    table.border.bottom.style = "none",
    column_labels.border.top.style = "solid",
    column_labels.border.top.color = "#00e5ff",
    column_labels.border.top.width = px(3),
    column_labels.border.bottom.style = "solid",
    column_labels.border.bottom.width = px(3),
    column_labels.border.bottom.color = "#00e5ff",
    table_body.border.bottom.style = "none",
    table_body.border.top.style = "none",
    table_body.hlines.style = "solid",
    table_body.hlines.color = "#00e5ff",
    table_body.hlines.width = px(1),
    table.background.color = "#0a0e1a",
    data_row.padding = px(10),
    heading.title.font.size = 18,
    heading.subtitle.font.size = 14,
    heading.padding = px(12),
    heading.border.bottom.style = "solid",
    heading.border.bottom.width = px(2),
    heading.border.bottom.color = "#00e5ff",
    footnotes.padding = px(10),
    footnotes.font.size = 13,
    source_notes.font.size = 13,
    source_notes.padding = px(10)
  ) %>%
  tab_source_note(
    source_note = md("**Fuentes:** Elaboración propia con base en WHO (2020), OECD (2024), World Bank (2023)")
  ) %>%
  tab_footnote(
    footnote = "Los umbrales de interpretación son referenciales y pueden variar según el contexto regional y nivel de desarrollo",
    locations = cells_title(groups = "subtitle")
  )

tabla_2
Tabla 2
Indicadores de Salud Pública y su Interpretación1
Variable Descripción Interpretación
Esperanza de vida al nacer (años) Número promedio de años que se espera que viva un recién nacido si los patrones de mortalidad prevalecientes al momento de su nacimiento permanecen constantes a lo largo de su vida. Es uno de los indicadores más robustos para medir el estado de salud poblacional, reflejando la calidad del sistema sanitario, acceso a servicios médicos, condiciones de vida, nutrición y factores ambientales. >75 años: salud poblacional avanzada 70-75 años: nivel medio de desarrollo sanitario <70 años: desafíos significativos en salud pública
Mortalidad infantil (por cada 1,000 nacidos vivos) Número de muertes de niños menores de un año por cada 1,000 nacimientos vivos. Es un indicador sensible de la calidad de atención sanitaria materno-infantil, condiciones sanitarias, acceso a agua potable y nutrición adecuada, funcionando como proxy de desarrollo social y capacidad institucional del sistema de salud. <10: excelentes condiciones sanitarias 10-25: condiciones moderadas >25: necesidades críticas en salud infantil
Gasto en salud (% del PIB) Gasto corriente en salud expresado como porcentaje del PIB, incluyendo tanto gasto público como privado. Refleja la prioridad presupuestaria que un país asigna al sector salud y su capacidad de financiar infraestructura sanitaria, siendo un determinante clave de resultados de salud poblacional. >8%: alta prioridad en salud 5-8%: compromiso moderado <5%: recursos sanitarios limitados
1 Los umbrales de interpretación son referenciales y pueden variar según el contexto regional y nivel de desarrollo
Fuentes: Elaboración propia con base en WHO (2020), OECD (2024), World Bank (2023)

2.2.3 Dimension tecnologica y de conectividad

La inclusión de variables tecnológicas es justificada por la importancia creciente de la transformación digital en el desarrollo contemporáneo (UNCTAD, 2021; World Bank, 2023). La acceso a electricidad, internet y telefonía móvil no son lujos sino infraestructuras esenciales que habilitan participación en la economía del conocimiento, acceso a información, servicios financieros y oportunidades económicas (UNCTAD, 2021). La brecha digital ha emergido como una nueva dimensión de desigualdad internacional, donde países con penetración digital menor enfrentan desventajas competitivas significativas (World Bank, 2023)., en la tabla 3 las observamos.

variables_tecnologia <- data.frame(
  Variable = c(
    "Acceso a electricidad (% de la población)",
    "Uso de internet (% de la población)",
    "Suscripciones móviles (por cada 100 personas)"
  ),
  
  Descripción = c(
    "Porcentaje de la población con acceso a electricidad. Indicador fundamental de infraestructura energética básica, condición necesaria para actividad económica moderna, educación, salud y conectividad digital.",
    "Porcentaje de individuos que han utilizado internet en los últimos 3 meses. Proxy de conectividad digital, acceso a información, y participación en la economía del conocimiento, siendo cada vez más relevante para productividad económica y reducción de brechas informativas.",
    "Número de suscripciones a servicios de telefonía celular móvil por cada 100 habitantes. Refleja la penetración de tecnología móvil, que ha sido un vector fundamental de inclusión digital y acceso a servicios financieros en economías en desarrollo."
  ),
  
  Interpretación = c(
    ">95%: cobertura eléctrica universal\n80-95%: acceso extendido\n<80%: déficit significativo de infraestructura",
    ">70%: sociedad digitalmente integrada\n30-70%: adopción media de internet\n<30%: brecha digital significativa",
    ">100: alta penetración móvil\n80-100: cobertura adecuada\n<80: oportunidades de expansión del mercado"
  )
)

tabla_3 <- variables_tecnologia %>%
  gt() %>%
  tab_header(
    title = md("**Tabla 3**"),
    subtitle = "Indicadores de Infraestructura y Tecnología"
  ) %>%
  cols_label(
    Variable = md("**Variable**"),
    Descripción = md("**Descripción**"),
    Interpretación = md("**Interpretación**")
  ) %>%
  cols_align(
    align = "left",
    columns = everything()
  ) %>%
  tab_style(
    style = list(
      cell_text(weight = "bold", size = "medium", color = "#000000"),
      cell_fill(color = "#00e5ff")
    ),
    locations = cells_column_labels()
  ) %>%
  tab_style(
    style = cell_borders(
      sides = c("top", "bottom"),
      color = "#00e5ff",
      weight = px(2)
    ),
    locations = list(
      cells_column_labels(),
      cells_body()
    )
  ) %>%
  tab_style(
    style = cell_borders(
      sides = "right",
      color = "#00e5ff",
      weight = px(1)
    ),
    locations = cells_body(columns = c(Variable, Descripción))
  ) %>%
  tab_style(
    style = list(
      cell_fill(color = "#0a0e1a"),
      cell_text(color = "#e0e6ed")
    ),
    locations = cells_body()
  ) %>%
  tab_style(
    style = cell_text(weight = "bold", color = "#00e5ff"),
    locations = cells_body(columns = Variable)
  ) %>%
  tab_style(
    style = cell_text(size = "small", color = "#e0e6ed"),
    locations = cells_body(columns = c(Descripción, Interpretación))
  ) %>%
  tab_style(
    style = list(
      cell_text(weight = "bold", color = "#00e5ff", size = "large")
    ),
    locations = cells_title(groups = "title")
  ) %>%
  tab_style(
    style = list(
      cell_text(color = "#e0e6ed", size = "medium")
    ),
    locations = cells_title(groups = "subtitle")
  ) %>%
  tab_options(
    table.font.names = "Arial",
    table.width = pct(100),
    table.border.top.style = "none",
    table.border.bottom.style = "none",
    column_labels.border.top.style = "solid",
    column_labels.border.top.color = "#00e5ff",
    column_labels.border.top.width = px(3),
    column_labels.border.bottom.style = "solid",
    column_labels.border.bottom.width = px(3),
    column_labels.border.bottom.color = "#00e5ff",
    table_body.border.bottom.style = "none",
    table_body.border.top.style = "none",
    table_body.hlines.style = "solid",
    table_body.hlines.color = "#00e5ff",
    table_body.hlines.width = px(1),
    table.background.color = "#0a0e1a",
    data_row.padding = px(10),
    heading.title.font.size = 18,
    heading.subtitle.font.size = 14,
    heading.padding = px(12),
    heading.border.bottom.style = "solid",
    heading.border.bottom.width = px(2),
    heading.border.bottom.color = "#00e5ff",
    footnotes.padding = px(10),
    footnotes.font.size = 13,
    source_notes.font.size = 13,
    source_notes.padding = px(10)
  ) %>%
  tab_source_note(
    source_note = md("**Fuentes:** Elaboración propia con base en World Bank (2023)")
  ) %>%
  tab_footnote(
    footnote = "Los valores superiores a 100 en suscripciones móviles indican múltiples suscripciones por persona",
    locations = cells_body(
      rows = 3,
      columns = Interpretación
    )
  ) %>%
  tab_footnote(
    footnote = "Los umbrales de interpretación son referenciales y pueden variar según el nivel de desarrollo regional",
    locations = cells_title(groups = "subtitle")
  )

tabla_3
Tabla 3
Indicadores de Infraestructura y Tecnología1
Variable Descripción Interpretación
Acceso a electricidad (% de la población) Porcentaje de la población con acceso a electricidad. Indicador fundamental de infraestructura energética básica, condición necesaria para actividad económica moderna, educación, salud y conectividad digital. >95%: cobertura eléctrica universal 80-95%: acceso extendido <80%: déficit significativo de infraestructura
Uso de internet (% de la población) Porcentaje de individuos que han utilizado internet en los últimos 3 meses. Proxy de conectividad digital, acceso a información, y participación en la economía del conocimiento, siendo cada vez más relevante para productividad económica y reducción de brechas informativas. >70%: sociedad digitalmente integrada 30-70%: adopción media de internet <30%: brecha digital significativa
Suscripciones móviles (por cada 100 personas) Número de suscripciones a servicios de telefonía celular móvil por cada 100 habitantes. Refleja la penetración de tecnología móvil, que ha sido un vector fundamental de inclusión digital y acceso a servicios financieros en economías en desarrollo. >100: alta penetración móvil 80-100: cobertura adecuada <80: oportunidades de expansión del mercado2
1 Los umbrales de interpretación son referenciales y pueden variar según el nivel de desarrollo regional
2 Los valores superiores a 100 en suscripciones móviles indican múltiples suscripciones por persona
Fuentes: Elaboración propia con base en World Bank (2023)

2.2.4 Dimension ambiental y de recursos

La inclusión de variables ambientales responde al creciente reconocimiento de que el desarrollo sostenible debe integrar consideraciones ecológicas (PNUD, 2023; World Bank, 2023). Aunque el crecimiento económico tradicional ha sido alcanzado frecuentemente mediante degradación ambiental, la sostenibilidad del desarrollo requiere preservación de capital natural, particularmente bosques (para captura de carbono y biodiversidad) y tierra cultivable (para seguridad alimentaria) (PNUD, 2023; World Bank, 2023), en la tabla 4 las vemos.

variables_ambientales <- data.frame(
  Variable = c(
    "Área boscosa (% del área terrestre)",
    "Tierra cultivable (% del área terrestre)"
  ),
  
  Descripción = c(
    "Porcentaje del territorio nacional cubierto por bosques. Es un indicador de conservación ambiental, biodiversidad y sostenibilidad, siendo relevante tanto para mitigación del cambio climático como para servicios ecosistémicos.",
    "Porcentaje de tierra apta para cultivos agrícolas. Refleja el potencial agrícola y la base de recursos naturales para producción de alimentos, siendo particularmente relevante para economías con sectores agrícolas significativos."
  ),
  
  Interpretación = c(
    ">30%: alta cobertura forestal\n15-30%: cobertura media\n<15%: deforestación significativa",
    ">20%: alta disponibilidad agrícola\n10-20%: capacidad moderada\n<10%: limitaciones para agricultura"
  )
)

tabla_4 <- variables_ambientales %>%
  gt() %>%
  tab_header(
    title = md("**Tabla 4**"),
    subtitle = "Indicadores Ambientales y de Uso de la Tierra"
  ) %>%
  cols_label(
    Variable = md("**Variable**"),
    Descripción = md("**Descripción**"),
    Interpretación = md("**Interpretación**")
  ) %>%
  cols_align(
    align = "left",
    columns = everything()
  ) %>%
  tab_style(
    style = list(
      cell_text(weight = "bold", size = "medium", color = "#000000"),
      cell_fill(color = "#00e5ff")
    ),
    locations = cells_column_labels()
  ) %>%
  tab_style(
    style = cell_borders(
      sides = c("top", "bottom"),
      color = "#00e5ff",
      weight = px(2)
    ),
    locations = list(
      cells_column_labels(),
      cells_body()
    )
  ) %>%
  tab_style(
    style = cell_borders(
      sides = "right",
      color = "#00e5ff",
      weight = px(1)
    ),
    locations = cells_body(columns = c(Variable, Descripción))
  ) %>%
  tab_style(
    style = list(
      cell_fill(color = "#0a0e1a"),
      cell_text(color = "#e0e6ed")
    ),
    locations = cells_body()
  ) %>%
  tab_style(
    style = cell_text(weight = "bold", color = "#00e5ff"),
    locations = cells_body(columns = Variable)
  ) %>%
  tab_style(
    style = cell_text(size = "small", color = "#e0e6ed"),
    locations = cells_body(columns = c(Descripción, Interpretación))
  ) %>%
  tab_style(
    style = list(
      cell_text(weight = "bold", color = "#00e5ff", size = "large")
    ),
    locations = cells_title(groups = "title")
  ) %>%
  tab_style(
    style = list(
      cell_text(color = "#e0e6ed", size = "medium")
    ),
    locations = cells_title(groups = "subtitle")
  ) %>%
  tab_options(
    table.font.names = "Arial",
    table.width = pct(100),
    table.border.top.style = "none",
    table.border.bottom.style = "none",
    column_labels.border.top.style = "solid",
    column_labels.border.top.color = "#00e5ff",
    column_labels.border.top.width = px(3),
    column_labels.border.bottom.style = "solid",
    column_labels.border.bottom.width = px(3),
    column_labels.border.bottom.color = "#00e5ff",
    table_body.border.bottom.style = "none",
    table_body.border.top.style = "none",
    table_body.hlines.style = "solid",
    table_body.hlines.color = "#00e5ff",
    table_body.hlines.width = px(1),
    table.background.color = "#0a0e1a",
    data_row.padding = px(10),
    heading.title.font.size = 18,
    heading.subtitle.font.size = 14,
    heading.padding = px(12),
    heading.border.bottom.style = "solid",
    heading.border.bottom.width = px(2),
    heading.border.bottom.color = "#00e5ff",
    footnotes.padding = px(10),
    footnotes.font.size = 13,
    source_notes.font.size = 13,
    source_notes.padding = px(10)
  ) %>%
  tab_source_note(
    source_note = md("**Fuentes:** Elaboración propia con base en World Bank (2023)")
  ) %>%
  tab_footnote(
    footnote = "Los servicios ecosistémicos incluyen regulación hídrica, conservación de biodiversidad y secuestro de carbono",
    locations = cells_body(
      rows = 1,
      columns = Descripción
    )
  ) %>%
  tab_footnote(
    footnote = "La tierra cultivable incluye tierras arables, cultivos permanentes y pastos permanentes",
    locations = cells_body(
      rows = 2,
      columns = Descripción
    )
  ) %>%
  tab_footnote(
    footnote = "Los umbrales de interpretación pueden variar según las características geográficas y ecológicas de cada región",
    locations = cells_title(groups = "subtitle")
  )

tabla_4
Tabla 4
Indicadores Ambientales y de Uso de la Tierra1
Variable Descripción Interpretación
Área boscosa (% del área terrestre) Porcentaje del territorio nacional cubierto por bosques. Es un indicador de conservación ambiental, biodiversidad y sostenibilidad, siendo relevante tanto para mitigación del cambio climático como para servicios ecosistémicos.2 >30%: alta cobertura forestal 15-30%: cobertura media <15%: deforestación significativa
Tierra cultivable (% del área terrestre) Porcentaje de tierra apta para cultivos agrícolas. Refleja el potencial agrícola y la base de recursos naturales para producción de alimentos, siendo particularmente relevante para economías con sectores agrícolas significativos.3 >20%: alta disponibilidad agrícola 10-20%: capacidad moderada <10%: limitaciones para agricultura
1 Los umbrales de interpretación pueden variar según las características geográficas y ecológicas de cada región
2 Los servicios ecosistémicos incluyen regulación hídrica, conservación de biodiversidad y secuestro de carbono
3 La tierra cultivable incluye tierras arables, cultivos permanentes y pastos permanentes
Fuentes: Elaboración propia con base en World Bank (2023)

2.2.5 Dimension demografica

La inclusión de variables demográficas es justificada porque la dinámica poblacional condiciona fundamentalmente los desafíos y oportunidades de desarrollo: presión sobre recursos, mercado laboral, demanda por servicios públicos, y sostenibilidad fiscal (CEPAL, 2023; World Bank, 2023). Países con crecimiento poblacional acelerado enfrentan distintos desafíos que aquellos con envejecimiento poblacional, impactando tasas de ahorro, inversión, y provisión de servicios (CEPAL, 2023), vemos las variables en la tabla 5.

variables_demograficas <- data.frame(
  Variable = c(
    "Población total",
    "Crecimiento poblacional (% anual)"
  ),
  
  Descripción = c(
    "Número total de habitantes de un país a mitad de año. El tamaño poblacional determina tanto el mercado interno como la escala de demanda por servicios públicos y recursos naturales.",
    "Tasa de variación porcentual anual de la población. Refleja la presión demográfica y sus implicaciones para sostenibilidad, mercados laborales, y provisión de servicios públicos."
  ),
  
  Interpretación = c(
    ">100M: país muy poblado\n10-100M: población media\n<10M: país poco poblado",
    ">2%: crecimiento rápido\n0.5-2%: crecimiento moderado\n<0.5%: crecimiento lento"
  )
)

tabla_5 <- variables_demograficas %>%
  gt() %>%
  tab_header(
    title = md("**Tabla 5**"),
    subtitle = "Indicadores Demográficos Básicos"
  ) %>%
  cols_label(
    Variable = md("**Variable**"),
    Descripción = md("**Descripción**"),
    Interpretación = md("**Interpretación**")
  ) %>%
  cols_align(
    align = "left",
    columns = everything()
  ) %>%
  tab_style(
    style = list(
      cell_text(weight = "bold", size = "medium", color = "#000000"),
      cell_fill(color = "#00e5ff")
    ),
    locations = cells_column_labels()
  ) %>%
  tab_style(
    style = cell_borders(
      sides = c("top", "bottom"),
      color = "#00e5ff",
      weight = px(2)
    ),
    locations = list(
      cells_column_labels(),
      cells_body()
    )
  ) %>%
  tab_style(
    style = cell_borders(
      sides = "right",
      color = "#00e5ff",
      weight = px(1)
    ),
    locations = cells_body(columns = c(Variable, Descripción))
  ) %>%
  tab_style(
    style = list(
      cell_fill(color = "#0a0e1a"),
      cell_text(color = "#e0e6ed")
    ),
    locations = cells_body()
  ) %>%
  tab_style(
    style = cell_text(weight = "bold", color = "#00e5ff"),
    locations = cells_body(columns = Variable)
  ) %>%
  tab_style(
    style = cell_text(size = "small", color = "#e0e6ed"),
    locations = cells_body(columns = c(Descripción, Interpretación))
  ) %>%
  tab_style(
    style = list(
      cell_text(weight = "bold", color = "#00e5ff", size = "large")
    ),
    locations = cells_title(groups = "title")
  ) %>%
  tab_style(
    style = list(
      cell_text(color = "#e0e6ed", size = "medium")
    ),
    locations = cells_title(groups = "subtitle")
  ) %>%
  tab_options(
    table.font.names = "Arial",
    table.width = pct(100),
    table.border.top.style = "none",
    table.border.bottom.style = "none",
    column_labels.border.top.style = "solid",
    column_labels.border.top.color = "#00e5ff",
    column_labels.border.top.width = px(3),
    column_labels.border.bottom.style = "solid",
    column_labels.border.bottom.width = px(3),
    column_labels.border.bottom.color = "#00e5ff",
    table_body.border.bottom.style = "none",
    table_body.border.top.style = "none",
    table_body.hlines.style = "solid",
    table_body.hlines.color = "#00e5ff",
    table_body.hlines.width = px(1),
    table.background.color = "#0a0e1a",
    data_row.padding = px(10),
    heading.title.font.size = 18,
    heading.subtitle.font.size = 14,
    heading.padding = px(12),
    heading.border.bottom.style = "solid",
    heading.border.bottom.width = px(2),
    heading.border.bottom.color = "#00e5ff",
    footnotes.padding = px(10),
    footnotes.font.size = 13,
    source_notes.font.size = 13,
    source_notes.padding = px(10)
  ) %>%
  tab_source_note(
    source_note = md("**Fuentes:** Elaboración propia con base en World Bank (2023)")
  ) %>%
  tab_footnote(
    footnote = "La población se refiere a residentes totales independientemente de su estatus legal o ciudadanía",
    locations = cells_body(
      rows = 1,
      columns = Descripción
    )
  ) %>%
  tab_footnote(
    footnote = "El crecimiento poblacional incluye nacimientos, muertes y migración neta",
    locations = cells_body(
      rows = 2,
      columns = Descripción
    )
  ) %>%
  tab_footnote(
    footnote = "Los umbrales de interpretación son referenciales y pueden variar según el contexto regional y nivel de desarrollo",
    locations = cells_title(groups = "subtitle")
  )

tabla_5
Tabla 5
Indicadores Demográficos Básicos1
Variable Descripción Interpretación
Población total Número total de habitantes de un país a mitad de año. El tamaño poblacional determina tanto el mercado interno como la escala de demanda por servicios públicos y recursos naturales.2 >100M: país muy poblado 10-100M: población media <10M: país poco poblado
Crecimiento poblacional (% anual) Tasa de variación porcentual anual de la población. Refleja la presión demográfica y sus implicaciones para sostenibilidad, mercados laborales, y provisión de servicios públicos.3 >2%: crecimiento rápido 0.5-2%: crecimiento moderado <0.5%: crecimiento lento
1 Los umbrales de interpretación son referenciales y pueden variar según el contexto regional y nivel de desarrollo
2 La población se refiere a residentes totales independientemente de su estatus legal o ciudadanía
3 El crecimiento poblacional incluye nacimientos, muertes y migración neta
Fuentes: Elaboración propia con base en World Bank (2023)

2.3 Base de datos del modelo

A continuacion, se muestra la base de datos que se usara para el modelo de aprendizaje no supervisado.

Base_2022 <- read_csv("f36a5086-3311-4b1a-9f0c-bda5cd4718df_Series - Metadata.csv",
                 show_col_types = FALSE) %>%
  select(
    Pais = `Country Name`,
    Codigo = `Country Code`,
    PIB_per = `GDP per capita (current US$) [NY.GDP.PCAP.CD]`,
    Poblacion = `Population, total [SP.POP.TOTL]`,
    `Esperanza vida` = `Life expectancy at birth, total (years) [SP.DYN.LE00.IN]`,
    `Acceso electricidad` = `Access to electricity (% of population) [EG.ELC.ACCS.ZS]`,
    `Area boscosa` = `Forest area (% of land area) [AG.LND.FRST.ZS]`,
    `Suscripciones movil` = `Mobile cellular subscriptions (per 100 people) [IT.CEL.SETS.P2]`,
    `Crecimiento PIB` = `GDP growth (annual %) [NY.GDP.MKTP.KD.ZG]`,
    `Mortalidad infantil` = `Mortality rate, infant (per 1,000 live births) [SP.DYN.IMRT.IN]`,
    `Inversion extranjera` = `Foreign direct investment, net inflows (% of GDP) [BX.KLT.DINV.WD.GD.ZS]`,
    `Gasto salud` = `Current health expenditure (% of GDP) [SH.XPD.CHEX.GD.ZS]`,
    `Uso internet` = `Individuals using the Internet (% of population) [IT.NET.USER.ZS]`,
    Importaciones = `Imports of goods and services (% of GDP) [NE.IMP.GNFS.ZS]`,
    Exportaciones = `Exports of goods and services (% of GDP) [NE.EXP.GNFS.ZS]`,
    `Tierra cultivable` = `Arable land (% of land area) [AG.LND.ARBL.ZS]`,
    `Crecimiento poblacion` = `Population growth (annual %) [SP.POP.GROW]`,
    Industria = `Industry (including construction), value added (% of GDP) [NV.IND.TOTL.ZS]`,
    Remesas = `Personal remittances, received (% of GDP) [BX.TRF.PWKR.DT.GD.ZS]`
  )%>%
  filter(!Pais %in% c("World", "High income", "Low income", "European Union",
                      "Latin America & Caribbean", "Middle income", "OECD members",
                      "East Asia & Pacific", "Sub-Saharan Africa", "South Asia",
                      "North America", "Euro area", "Arab World", "West Bank and Gaza",
                      "Lower middle income", "Upper middle income", 
                      "Least developed countries: UN classification",
                      "Fragile and conflict affected situations", 
                      "Heavily indebted poor countries (HIPC)",
                      "IDA total", "Low & middle income", "Middle East & North Africa",
                      "Pacific island small states", "Small states", 
                      "Caribbean small states", "Other small states", 
                      "IDA & IBRD total", "IDA only", "IBRD only",
                      "Pre-demographic dividend", "Post-demographic dividend", 
                      "Early-demographic dividend", "Late-demographic dividend")) %>% 
  mutate(across(3:19, as.numeric)) %>% drop_na()%>% 
  filter(Pais != c( "Luxembourg","  Uruguay", "Angola","Jordan","Belize")) %>% 
  filter(Codigo != "BLZ",Codigo!="JOR",Codigo!="URY")


tabla_inicial <- datatable(
  Base_2022,
  extensions = c('Buttons', 'Scroller', 'Responsive', 'FixedHeader'),
  options = list(
    dom = '<"top"lBf>rt<"bottom"ip><"clear">',
    buttons = list(
      list(extend = 'copy', text = ' Copiar', className = 'btn-cyber'),
      list(extend = 'csv', text = ' CSV', className = 'btn-cyber'),
      list(extend = 'excel', text = ' Excel', className = 'btn-cyber'),
      list(extend = 'pdf', text = ' PDF', className = 'btn-cyber'),
      list(extend = 'print', text = '️ Imprimir', className = 'btn-cyber')
    ),
    pageLength = 12,
    lengthMenu = list(c(8, 12, 20, 50, -1), 
                     c('8', '12', '20', '50', 'Todos')),
    scrollX = TRUE,
    scrollY = "550px",
    scroller = TRUE,
    deferRender = TRUE,
    language = list(
      url = '//cdn.datatables.net/plug-ins/1.13.4/i18n/es-ES.json',
      search = "Buscar:",
      lengthMenu = "Mostrar _MENU_ registros",
      info = "_START_ - _END_ de _TOTAL_",
      paginate = list(
        first = "Primero",
        last = "Último",
        `next` = "Siguiente",
        previous = "Anterior"
      )
    ),
    autoWidth = TRUE,
    fixedHeader = TRUE,
    searchHighlight = TRUE
  ),
  rownames = FALSE,
  filter = 'top',
  class = c('display', 'compact', 'hover', 'dt-cyber'),
  caption = htmltools::HTML(' <span style="color: #00e5ff; font-weight: bold; font-size: 16px;">Indicadores Económicos y Sociales Globales 2022</span>')
) %>%
  formatCurrency(
    columns = 'PIB_per', 
    currency = "$", 
    digits = 0,
    before = TRUE
  ) %>%
  formatRound(
    columns = 'Poblacion', 
    digits = 0,
    mark = ","
  ) %>%
  formatRound(
    columns = c('Esperanza vida', 'Acceso electricidad', 'Area boscosa',
               'Suscripciones movil', 'Crecimiento PIB', 'Inversion extranjera', 
               'Gasto salud', 'Uso internet', 'Importaciones', 'Exportaciones', 
               'Tierra cultivable', 'Crecimiento poblacion', 'Industria', 'Remesas'), 
    digits = 2
  ) %>%
  formatRound(
    columns = 'Mortalidad infantil',
    digits = 1
  ) %>%
  formatStyle(
    columns = names(Base_2022),
    fontSize = '13px',
    fontFamily = 'Arial, sans-serif',
    color = '#e0e6ed',
    backgroundColor = '#0a0e1a'
  ) %>%
  htmlwidgets::onRender("
    function(el, x) {
      // Estilizar encabezados
      var headers = $('thead th');
      headers.css({
        'background-color': '#00e5ff !important',
        'color': '#000000 !important',
        'font-weight': 'bold !important',
        'font-size': '14px !important',
        'border': '2px solid #00e5ff !important',
        'text-transform': 'uppercase',
        'letter-spacing': '0.5px'
      });
      
      // Estilizar filas
      $('tbody tr').css({
        'background-color': '#0a0e1a !important',
        'border-bottom': '1px solid #00e5ff !important'
      });
      
      // Hover effect
      $('tbody tr').hover(
        function() {
          $(this).css({
            'background-color': '#12161f !important',
            'box-shadow': 'inset 0 0 20px rgba(0, 229, 255, 0.2) !important'
          });
        },
        function() {
          $(this).css({
            'background-color': '#0a0e1a !important',
            'box-shadow': 'none !important'
          });
        }
      );
      
      // Estilizar celdas
      $('tbody td').css({
        'color': '#e0e6ed !important',
        'border-right': '1px solid #00e5ff !important',
        'padding': '12px !important'
      });
      
      // Estilizar filtros
      var filterRow = $('thead tr:last');
      filterRow.find('th').css({
        'background-color': '#12161f !important',
        'border': '1px solid #0084ff !important'
      });
      
      filterRow.find('input').css({
        'background-color': '#0a0e1a !important',
        'color': '#e0e6ed !important',
        'border': '1px solid #00e5ff !important',
        'border-radius': '6px',
        'padding': '8px !important',
        'font-size': '12px'
      }).attr('placeholder', ' Filtrar...');
      
      // Estilizar botones
      var buttons = $('.dt-buttons .btn-cyber');
      buttons.css({
        'background': 'linear-gradient(135deg, #00e5ff 0%, #0084ff 100%) !important',
        'color': '#000000 !important',
        'border': '2px solid #00e5ff !important',
        'border-radius': '8px !important',
        'padding': '10px 16px !important',
        'font-weight': 'bold !important',
        'font-size': '13px !important',
        'cursor': 'pointer !important',
        'margin': '5px !important',
        'transition': 'all 0.3s ease !important',
        'box-shadow': '0 0 15px rgba(0, 229, 255, 0.4) !important'
      }).hover(
        function() {
          $(this).css({
            'transform': 'translateY(-3px) !important',
            'box-shadow': '0 0 25px rgba(0, 229, 255, 0.8) !important'
          });
        },
        function() {
          $(this).css({
            'transform': 'translateY(0) !important',
            'box-shadow': '0 0 15px rgba(0, 229, 255, 0.4) !important'
          });
        }
      );
      
      // Estilizar paginación
      $('.dataTables_paginate .paginate_button').css({
        'background-color': '#12161f !important',
        'color': '#e0e6ed !important',
        'border': '1px solid #00e5ff !important',
        'margin': '2px !important',
        'padding': '8px 12px !important',
        'border-radius': '4px',
        'font-size': '12px'
      }).hover(
        function() {
          if (!$(this).hasClass('disabled')) {
            $(this).css({
              'background-color': '#00e5ff !important',
              'color': '#000000 !important'
            });
          }
        },
        function() {
          $(this).css({
            'background-color': '#12161f !important',
            'color': '#e0e6ed !important'
          });
        }
      );
      
      $('.dataTables_paginate .paginate_button.current').css({
        'background-color': '#00e5ff !important',
        'color': '#000000 !important',
        'box-shadow': '0 0 15px rgba(0, 229, 255, 0.6) !important'
      });
      
      // Estilizar info
      $('.dataTables_info').css({
        'color': '#e0e6ed !important',
        'font-size': '13px'
      });
      
      // Estilizar controles
      $('label').css({
        'color': '#e0e6ed !important',
        'font-size': '13px'
      });
      
      $('select').css({
        'background-color': '#0a0e1a !important',
        'color': '#e0e6ed !important',
        'border': '1px solid #00e5ff !important',
        'border-radius': '4px',
        'padding': '6px !important'
      });
    }
  ")

tabla_inicial

2.4 Descripción del modelo

La implementación del análisis se estructura en cuatro etapas secuenciales, cada una construida sobre los resultados de la anterior, garantizando que la información y patrones descubiertos se preserven y amplifiquen a través del pipeline de análisis.

2.4.1 Preparación y Estandarización de Datos

Previo a cualquier análisis multivariado, es fundamental estandarizar las variables originales para garantizar que todas contribuyan en igualdad de condiciones al cálculo de componentes principales (KeepCoding, 2025). La estandarización se realizó mediante la transformación z-score: \(Z_i = \frac{X_i - \mu_i}{\sigma_i}\) donde \(Z_i\) es la variable estandarizada, \(X_i\) la variable original, \(\mu_i\) la media y \(\sigma_i\) la desviación estándar.

Esta estandarización es crítica porque el análisis de componentes principales se fundamenta en la varianza de los datos: sin estandarizar, variables con escalas numéricas mayores (como población total en millones) dominarían el cálculo de componentes, distorsionando la interpretación y otorgando influencia desproporcionada a magnitudes en lugar de patrones (LinkedIn, 2023; Ciencia de Datos, 2016). Adicionalmente, la estandarización garantiza que el análisis capture relaciones entre variables y no simplemente diferencias en escala.

2.4.2 Análisis de Componentes Principales (ACP)

Con las 17 variables estandarizadas, se aplica el Análisis de Componentes Principales para transformar el conjunto de variables originales, potencialmente correlacionadas, en un conjunto menor de componentes principales ortogonales (Jolliffe, 2002; OpenWebinars, 2025). El ACP identifica las direcciones en el espacio de datos donde la varianza es máxima, creando nuevas dimensiones (componentes) que son combinaciones lineales ponderadas de las variables originales (Jolliffe, 2002; KeepCoding, 2025).

Matemáticamente, el ACP comienza construyendo la matriz de covarianza \(C\) de las variables estandarizadas, cuyas entradas representan cómo varían conjuntamente pares de variables (KeepCoding, 2025). Los vectores propios de esta matriz de covarianza definen las direcciones principales (componentes), ordenados según sus correspondientes valores propios, que representan la cantidad de varianza explicada en cada dirección (Jolliffe, 2002). El primer componente principal captura la máxima varianza; el segundo, la máxima varianza restante sujeto a ortogonalidad respecto al primero; y así sucesivamente (Jolliffe, 2002).

El objetivo es identificar cuántos componentes son necesarios para capturar la mayor parte de la varianza total de los datos—típicamente entre 70-90% según el contexto (OpenWebinars, 2025). Esto permite reducir significativamente la dimensionalidad: en lugar de trabajar con 17 variables potencialmente redundantes, se trabaja con un número reducido de componentes sintéticos que capturan la esencia de la heterogeneidad internacional (Jolliffe, 2002).

2.4.3 Cálculo de Distancias Euclidianas

Una vez obtenidos los componentes principales, se utiliza la distancia euclidiana como métrica de disimilaridad entre países. Para cada par de países, la distancia euclidiana se calcula como:

\[ d_{ij} = \sqrt{\sum_{k=1}^{p} (PC_{ik} - PC_{jk})^2} \] Donde:

  • \(d_{ij}\) = Distancia euclidiana entre los países \(i\) y \(j\)
  • \(p\) = Número de componentes principales utilizados
  • \(PC_{ik}\) = Valor del \(k\)-ésimo componente principal para el país \(i\)
  • \(PC_{jk}\) = Valor del \(k\)-ésimo componente principal para el país \(j\)

Esta distancia mide la proximidad multidimensional entre países: distancias pequeñas indican perfiles similares, distancias grandes indican disimilaridad (Universidad de Granada, 2016; ArcGIS, 2024).

La distancia euclidiana es particularmente apropiada para el método de Ward porque, en su implementación aglomerativa, se utiliza el cuadrado de la distancia euclidiana—formalmente conocida como “distancia euclidiana semicuadrada”—como medida de disimilaridad (Ward, 1963; Wikipedia, 2013; TIBCO, 2024).

2.4.4 Clusterización Jerárquica Aglomerativa con Método de Ward

El método de Ward es un algoritmo jerárquico aglomerativo que opera iterativamente sobre el conjunto de países para formar una jerarquía de clusters (Ward, 1963). El procedimiento inicia considerando cada país como un cluster individual independiente, creando n grupos iniciales. En cada iteración subsecuente, se identifican los dos clusters más próximos según el criterio de Ward y se fusionan en un único cluster más grande (Ward, 1963; Universidad de Granada, 2016; ICESI, 2025).

El criterio de Ward minimiza específicamente la suma total de cuadrados dentro de los clusters (within-cluster sum of squares, WCSS). Matemáticamente, en cada paso, Ward selecciona el par de clusters cuya fusión produce el incremento mínimo en la varianza total intra-cluster (Ward, 1963; Wikipedia, 2013).

El algoritmo se ejecuta recursivamente hasta que todos los países quedan englobados en un único cluster. El resultado es un dendrograma—diagrama en forma de árbol invertido—que visualiza el proceso completo de fusión: cada rama representa un país individual, cada nodo de fusión representa la unión de dos clusters, y la altura de cada nodo indica el nivel de disimilaridad en el cual ocurrió la fusión (Universidad de Granada, 2016; ICESI, 2025). El dendrograma permite identificar visualmente el número óptimo de clusters “cortando” el árbol a un nivel específico de altura, determinando así cuántos grupos finales son más interpretables y útiles (Ward, 1963; Universidad de Granada, 2016).

En síntesis, el modelo integra: (1) estandarización para igualar contribuciones relativas, (2) reducción de dimensionalidad mediante ACP para simplificar sin perder información, (3) cálculo de distancias euclidianas para cuantificar disimilaridad, y (4) clusterización jerárquica Ward para crear una taxonomía multidimensional de desarrollo. Esta arquitectura metodológica asegura que los agrupamientos emergentes sean producto exclusivamente de los datos y no de imposiciones externas, permitiendo descubrimientos genuinos sobre la estructura del desarrollo internacional (Jolliffe, 2002; Charrad et al., 2014).


3 Análisis Descriptivo

Antes de aplicar la reducción dimensional mediante Análisis de Componentes Principales y revelar agrupamientos multidimensionales de países, es fundamental explorar cómo se distribuyen y relacionan los indicadores individuales en el espacio observable. El análisis descriptivo identifica relaciones preliminares, heterogeneidades sistemáticas y anomalías en cada dimensión del desarrollo—información que prepara conceptualmente para el descubrimiento de clusters coherentes. En esencia: mientras que el ACP responderá “¿qué estructura latente subyace en los datos?”, el análisis descriptivo responde “¿qué patrones visibles anticipan esa estructura?” Las cinco dimensiones temáticas—económica, de salud, tecnológica, ambiental y demográfica—se examinan secuencialmente a través de visualizaciones interactivas que revelan líderes y rezagados en cada indicador, patrones de asociación entre variables dentro de dimensiones, y diferencias regionales que anticipan los agrupamientos posteriores. Este enfoque dimensional permite reconocer que el “desarrollo” no es una variable única sino un fenómeno multifacético donde países pueden destacar en algunas áreas mientras quedan rezagados en otras—precisamente la complejidad que justifica un análisis multivariado integrado.

3.1 Explorador Interactivo de Indicadores

Con el propósito de facilitar el análisis exploratorio de cada una de las 17 variables de desarrollo de forma individual, se ha desarrollado un explorador interactivo que permite examinar dinámicamente la distribución, dispersión y rankings de cada indicador. Esta herramienta opera sobre todo el dataset y proporciona tres niveles de información complementarios: (1) estadísticas globales que resumen la concentración y dispersión de cada variable (media, mediana, desviación estándar, percentiles), (2) ranking de los 10 países líderes en cada indicador, y (3) variabilidad porcentual respecto a la media, que cuantifica cuánto cada país se desvía del patrón global.

El explorador funciona mediante un sistema de pestañas interactivas: selecciona cualquier variable haciendo click en sus botonespara visualizar simultáneamente las estadísticas agregadas y el top 10 de desempeño. Esta estructura permite identificar patrones preliminares de concentración, identificar outliers extremos, y reconocer diferenciaciones regionales antes de proceder al análisis multidimensional integrado. A continuación se presentan dos ejemplos ilustrativos que ejemplifican la heterogeneidad fundamental del desarrollo global.

variables_numericas <- names(Base_2022)[3:ncol(Base_2022)]

crear_tabla_unificada <- function(data, variable) {
  valores <- data[[variable]]
  
  total_paises <- sum(!is.na(valores))
  media <- round(mean(valores, na.rm = TRUE), 2)
  mediana <- round(median(valores, na.rm = TRUE), 2)
  desv_est <- round(sd(valores, na.rm = TRUE), 2)
  q1 <- round(quantile(valores, 0.25, na.rm = TRUE), 2)
  q3 <- round(quantile(valores, 0.75, na.rm = TRUE), 2)
  minimo <- round(min(valores, na.rm = TRUE), 2)
  maximo <- round(max(valores, na.rm = TRUE), 2)
  
  top10 <- data %>%
    select(Pais, Valor = all_of(variable)) %>%
    arrange(desc(Valor)) %>%
    head(10) %>%
    mutate(
      Ranking = row_number(),
      Pct_vs_Media = round((Valor / media - 1) * 100, 1)
    )
  
  estadisticas <- data.frame(
    Métrica = c("Total Países", "Media", "Mediana", "Desv. Est.", 
                "Q1", "Q3", "Mínimo", "Máximo"),
    Valor = c(total_paises, media, mediana, desv_est, q1, q3, minimo, maximo)
  )
  
  top10_tabla <- top10 %>%
    mutate(
      Pct_Display = paste0(ifelse(Pct_vs_Media >= 0, "+", ""), Pct_vs_Media, "%"),
      Pct_Color = ifelse(Pct_vs_Media >= 0, "#00e676", "#ff1744")
    ) %>%
    select(Ranking, País = Pais, Valor, Pct_Display, Pct_Color)
  
  list(estadisticas = estadisticas, top10 = top10_tabla)
}

Selecciona una Variable

for (variable in variables_numericas) {
  cat(sprintf('\n\n#### %s {.unnumbered}\n\n', variable))
  
  datos <- crear_tabla_unificada(Base_2022, variable)
  
  cat('<div class="two-column-layout">\n\n')
  
  cat('<div class="table-container">\n\n')
  
  cat('<p class="section-title"> Estadísticas Globales</p>\n\n')
  
  tabla_stats <- datos$estadisticas %>%
    kbl(
      align = c('l', 'r'), 
      escape = FALSE,
      col.names = c("Métrica", "Valor")
    ) %>%
    kable_styling(
      bootstrap_options = c("striped", "hover"),
      full_width = TRUE,
      font_size = 13
    ) %>%
    row_spec(0, background = "#00e5ff", color = "#000", bold = TRUE, font_size = 14) %>%
    row_spec(1, background = "#12161f", color = "#00e5ff", bold = TRUE, font_size = 14) %>%
    row_spec(2:8, background = "#0d1117", color = "#e0e6ed") %>%
    column_spec(1, width = "14em", bold = TRUE, color = "#e0e6ed") %>%
    column_spec(2, width = "10em", color = "#00e5ff", bold = TRUE)
  
  print(tabla_stats)
  
  cat('\n\n</div>\n\n')
  
  cat('<div class="table-container">\n\n')
  
  cat('<p class="section-title"> Top 10 Países</p>\n\n')
  
  tabla_top10_data <- datos$top10 %>%
    mutate(
      Pct_Display_Colored = cell_spec(
        Pct_Display,
        "html",
        color = Pct_Color,
        bold = TRUE
      )
    ) %>%
    select(`#` = Ranking, País, Valor, `% vs Media` = Pct_Display_Colored)
  
  tabla_top10 <- tabla_top10_data %>%
    kbl(
      align = c('c', 'l', 'r', 'c'), 
      escape = FALSE
    ) %>%
    kable_styling(
      bootstrap_options = c("striped", "hover"),
      full_width = TRUE,
      font_size = 13
    ) %>%
    row_spec(0, background = "#0084ff", color = "#000", bold = TRUE, font_size = 14) %>%
    row_spec(1:10, background = "#0d1117", color = "#e0e6ed") %>%
    column_spec(1, width = "3em", bold = TRUE, color = "#000", background = "#00e5ff") %>%
    column_spec(2, width = "13em", bold = TRUE) %>%
    column_spec(3, width = "9em", color = "#00e5ff", bold = TRUE)
  
  print(tabla_top10)
  
  cat('\n\n</div>\n\n')
  
  cat('</div>\n\n')
}

PIB_per

Estadísticas Globales

Métrica Valor
Total Países 136.00
Media 17288.25
Mediana 6705.15
Desv. Est. 22944.62
Q1 2520.86
Q3 21806.85
Mínimo 250.63
Máximo 109269.52

Top 10 Países

# País Valor % vs Media
1 Norway 109269.52 +532%
2 Ireland 105234.51 +508.7%
3 Switzerland 94394.51 +446%
4 Qatar 88701.46 +413.1%
5 United States 77860.91 +350.4%
6 Iceland 75121.02 +334.5%
7 Denmark 68091.32 +293.9%
8 Australia 64997.01 +276%
9 Netherlands 59123.32 +242%
10 Sweden 55296.94 +219.9%

Poblacion

Estadísticas Globales

Métrica Valor
Total Países 136
Media 50728185
Mediana 10435607
Desv. Est. 175868822
Q1 2949316
Q3 33230724
Mínimo 33755
Máximo 1425423212

Top 10 Países

# País Valor % vs Media
1 India 1425423212 +2709.9%
2 China 1412175000 +2683.8%
3 United States 334017321 +558.4%
4 Indonesia 278830529 +449.7%
5 Pakistan 243700667 +380.4%
6 Brazil 210306415 +314.6%
7 Bangladesh 169384897 +233.9%
8 Russian Federation 144236933 +184.3%
9 Mexico 128613117 +153.5%
10 Japan 125124989 +146.7%

Esperanza vida

Estadísticas Globales

Métrica Valor
Total Países 136.00
Media 73.49
Mediana 74.35
Desv. Est. 6.77
Q1 68.16
Q3 78.34
Mínimo 56.81
Máximo 85.71

Top 10 Países

# País Valor % vs Media
1 San Marino 85.70800 +16.6%
2 Japan 83.99634 +14.3%
3 Switzerland 83.60488 +13.8%
4 Australia 83.20000 +13.2%
5 Spain 83.13415 +13.1%
6 Sweden 83.05854 +13%
7 Israel 82.70000 +12.5%
8 Italy 82.70000 +12.5%
9 Korea, Rep.  82.68049 +12.5%
10 Ireland 82.50976 +12.3%

Acceso electricidad

Estadísticas Globales

Métrica Valor
Total Países 136.00
Media 88.27
Mediana 100.00
Desv. Est. 22.08
Q1 90.95
Q3 100.00
Mínimo 10.30
Máximo 100.00

Top 10 Países

# País Valor % vs Media
1 Albania 100 +13.3%
2 Algeria 100 +13.3%
3 Antigua and Barbuda 100 +13.3%
4 Argentina 100 +13.3%
5 Armenia 100 +13.3%
6 Australia 100 +13.3%
7 Austria 100 +13.3%
8 Azerbaijan 100 +13.3%
9 Bahamas, The 100 +13.3%
10 Belarus 100 +13.3%

Area boscosa

Estadísticas Globales

Métrica Valor
Total Países 136.00
Media 30.64
Mediana 30.66
Desv. Est. 20.66
Q1 12.26
Q3 45.17
Mínimo 0.00
Máximo 90.09

Top 10 Países

# País Valor % vs Media
1 Solomon Islands 90.08610 +194%
2 Finland 73.72650 +140.6%
3 Bhutan 71.55218 +133.5%
4 Guinea-Bissau 69.81259 +127.8%
5 Sweden 68.69967 +124.2%
6 Japan 68.40878 +123.3%
7 Korea, Rep.  64.21107 +109.6%
8 Congo, Rep.  64.17570 +109.5%
9 Fiji 63.12972 +106%
10 Timor-Leste 61.75521 +101.6%

Suscripciones movil

Estadísticas Globales

Métrica Valor
Total Países 136.00
Media 117.34
Mediana 117.41
Desv. Est. 30.82
Q1 101.61
Q3 135.29
Mínimo 39.71
Máximo 207.28

Top 10 Países

# País Valor % vs Media
1 Montenegro 207.278 +76.6%
2 Antigua and Barbuda 200.541 +70.9%
3 El Salvador 183.249 +56.2%
4 Botswana 178.205 +51.9%
5 Thailand 176.223 +50.2%
6 Japan 168.603 +43.7%
7 Russian Federation 168.476 +43.6%
8 Kuwait 168.350 +43.5%
9 Mauritius 164.309 +40%
10 Qatar 162.249 +38.3%

Crecimiento PIB

Estadísticas Globales

Métrica Valor
Total Países 136.00
Media 4.52
Mediana 4.56
Desv. Est. 4.29
Q1 2.69
Q3 6.30
Mínimo -20.54
Máximo 19.79

Top 10 Países

# País Valor % vs Media
1 Fiji 19.792727 +337.9%
2 Cabo Verde 15.843676 +250.5%
3 Maldives 13.826090 +205.9%
4 Armenia 12.600000 +178.8%
5 Saudi Arabia 12.000587 +165.5%
6 Niger 11.900000 +163.3%
7 Georgia 10.958532 +142.4%
8 Bahamas, The 10.877455 +140.7%
9 Panama 10.769666 +138.3%
10 Antigua and Barbuda 9.107806 +101.5%

Mortalidad infantil

Estadísticas Globales

Métrica Valor
Total Países 136.00
Media 17.15
Mediana 11.40
Desv. Est. 16.18
Q1 3.90
Q3 24.77
Mínimo 1.40
Máximo 68.30

Top 10 Países

# País Valor % vs Media
1 Niger 68.3 +298.3%
2 Guinea 63.1 +267.9%
3 Mali 59.0 +244%
4 Sierra Leone 58.0 +238.2%
5 Lesotho 57.6 +235.9%
6 Pakistan 51.8 +202%
7 Cote d’Ivoire 47.9 +179.3%
8 Benin 47.7 +178.1%
9 Mozambique 46.5 +171.1%
10 Burkina Faso 46.1 +168.8%

Inversion extranjera

Estadísticas Globales

Métrica Valor
Total Países 136.00
Media 4.20
Mediana 2.55
Desv. Est. 11.18
Q1 1.37
Q3 4.67
Mínimo -8.42
Máximo 126.08

Top 10 Países

# País Valor % vs Media
1 Malta 126.084088 +2902%
2 Antigua and Barbuda 16.783225 +299.6%
3 Mozambique 16.004295 +281.1%
4 Mauritania 14.664421 +249.2%
5 Mongolia 14.605306 +247.7%
6 Montenegro 14.006201 +233.5%
7 Maldives 11.845476 +182%
8 Senegal 10.541124 +151%
9 Gambia, The 10.499586 +150%
10 Sweden 9.318342 +121.9%

Gasto salud

Estadísticas Globales

Métrica Valor
Total Países 136.00
Media 7.00
Mediana 7.20
Desv. Est. 2.77
Q1 4.55
Q3 8.89
Mínimo 2.18
Máximo 16.50

Top 10 Países

# País Valor % vs Media
1 United States 16.49614 +135.7%
2 Timor-Leste 14.32455 +104.6%
3 Lesotho 12.65128 +80.7%
4 Germany 12.60513 +80.1%
5 France 11.88190 +69.7%
6 Marshall Islands 11.73604 +67.7%
7 Switzerland 11.70653 +67.2%
8 Japan 11.42184 +63.2%
9 Austria 11.15729 +59.4%
10 United Kingdom 11.05088 +57.9%

Uso internet

Estadísticas Globales

Métrica Valor
Total Países 136.00
Media 70.38
Mediana 78.71
Desv. Est. 24.51
Q1 55.78
Q3 89.09
Mínimo 11.00
Máximo 100.00

Top 10 Países

# País Valor % vs Media
1 Saudi Arabia 100.0000 +42.1%
2 Iceland 99.8082 +41.8%
3 Kuwait 99.7237 +41.7%
4 Qatar 99.6528 +41.6%
5 Norway 99.0000 +40.7%
6 Denmark 97.8601 +39%
7 Malaysia 97.3986 +38.4%
8 Korea, Rep.  97.1686 +38.1%
9 Australia 97.0424 +37.9%
10 Ireland 96.6206 +37.3%

Importaciones

Estadísticas Globales

Métrica Valor
Total Países 136.00
Media 51.27
Mediana 46.08
Desv. Est. 26.43
Q1 31.27
Q3 65.03
Mínimo 15.06
Máximo 173.02

Top 10 Países

# País Valor % vs Media
1 San Marino 173.02372 +237.5%
2 Djibouti 143.03467 +179%
3 Malta 115.00492 +124.3%
4 Slovak Republic 104.93886 +104.7%
5 Cyprus 102.01066 +99%
6 Belgium 96.69985 +88.6%
7 Lesotho 95.86760 +87%
8 Ireland 95.44505 +86.2%
9 Hungary 94.30488 +83.9%
10 North Macedonia 93.36196 +82.1%

Exportaciones

Estadísticas Globales

Métrica Valor
Total Países 136.00
Media 45.80
Mediana 41.02
Desv. Est. 29.68
Q1 25.58
Q3 56.58
Mínimo 4.97
Máximo 197.41

Top 10 Países

# País Valor % vs Media
1 San Marino 197.41235 +331%
2 Djibouti 159.25074 +247.7%
3 Ireland 136.68444 +198.4%
4 Malta 128.41046 +180.4%
5 Cyprus 105.62177 +130.6%
6 Slovak Republic 98.99011 +116.1%
7 Netherlands 96.44362 +110.6%
8 Belgium 95.23960 +107.9%
9 Slovenia 93.98266 +105.2%
10 Viet Nam 93.42013 +104%

Tierra cultivable

Estadísticas Globales

Métrica Valor
Total Países 136.00
Media 16.54
Mediana 12.54
Desv. Est. 14.17
Q1 5.82
Q3 24.52
Mínimo 0.13
Máximo 60.78

Top 10 Países

# País Valor % vs Media
1 Bangladesh 60.78382 +267.5%
2 Denmark 59.00000 +256.7%
3 Moldova 56.75182 +243.1%
4 India 51.80548 +213.2%
5 Burundi 50.37027 +204.5%
6 Rwanda 50.20054 +203.5%
7 Togo 48.72219 +194.6%
8 Hungary 45.55853 +175.4%
9 Gambia, The 43.47826 +162.9%
10 Pakistan 39.21492 +137.1%

Crecimiento poblacion

Estadísticas Globales

Métrica Valor
Total Países 136.00
Media 1.11
Mediana 0.97
Desv. Est. 1.39
Q1 0.29
Q3 1.99
Mínimo -3.17
Máximo 5.91

Top 10 Países

# País Valor % vs Media
1 Qatar 5.907018 +432.2%
2 Kuwait 5.113181 +360.6%
3 Oman 4.980137 +348.7%
4 Saudi Arabia 4.418920 +298.1%
5 Niger 3.251706 +192.9%
6 Congo, Dem. Rep.  3.223402 +190.4%
7 Mali 3.009426 +171.1%
8 Uganda 3.007595 +171%
9 Tanzania 2.950467 +165.8%
10 Mozambique 2.947343 +165.5%

Industria

Estadísticas Globales

Métrica Valor
Total Países 136.00
Media 27.03
Mediana 25.34
Desv. Est. 11.59
Q1 20.12
Q3 31.75
Mínimo 2.39
Máximo 65.77

Top 10 Países

# País Valor % vs Media
1 Kuwait 65.76633 +143.3%
2 Qatar 65.34890 +141.8%
3 Iraq 65.27212 +141.5%
4 Oman 59.48521 +120.1%
5 Azerbaijan 56.14674 +107.7%
6 Timor-Leste 54.51234 +101.7%
7 Saudi Arabia 53.12377 +96.5%
8 Congo, Rep.  49.24555 +82.2%
9 Norway 49.12890 +81.8%
10 Congo, Dem. Rep.  47.77963 +76.8%

Remesas

Estadísticas Globales

Métrica Valor
Total Países 136.00
Media 5.94
Mediana 2.18
Desv. Est. 9.49
Q1 0.47
Q3 6.74
Mínimo 0.01
Máximo 53.22

Top 10 Países

# País Valor % vs Media
1 Nepal 53.22215 +796%
2 Tajikistan 49.89531 +740%
3 Tonga 41.94160 +606.1%
4 Samoa 33.61166 +465.9%
5 Lebanon 30.65552 +416.1%
6 Honduras 27.00110 +354.6%
7 Kyrgyz Republic 26.57756 +347.4%
8 El Salvador 24.63437 +314.7%
9 Gambia, The 22.76212 +283.2%
10 Lesotho 22.61587 +280.7%

El análisis del conjunto de los indicadores revela una característica fundamental: la desigualdad internacional no es uniforme sino específica a cada dimensión de desarrollo. Mientras que el PIB per cápita muestra una concentración extrema (media $17,045.36 vs. mediana $6,705.15, indicando que el 50% de países está por debajo de apenas $6,705), la población exhibe un patrón radicalmente distinto de concentración geográfica en gigantes asiáticos (media 49.6 millones vs. mediana 10.4 millones). Esta variabilidad específica a cada variable es precisamente lo que genera la complejidad multidimensional del desarrollo: países pueden sobresalir en algunas áreas (por ejemplo, esperanza de vida alta pero PIB bajo, como Costa Rica) mientras quedan rezagados en otras (por ejemplo, PIB alto pero vulnerabilidad ambiental, como algunos productores de petróleo). El explorador revela estas heterogeneidades al visualizar que en algunas variables existe concentración extrema (desv. est. > 3x la media), mientras que en otras la dispersión es más moderada, lo que puede indicar que el ACP identificará dimensiones donde la varianza es máxima y donde se concentra realmente la diferencia internacional.

3.2 Análisis por Dimensiones

3.2.1 Dimensión Económica

A continuación se examinan siete indicadores económicos complementarios mediante un explorador interactivo que permite visualizar dinámicamente los top 15 países en cada métrica. Haz click en cualquier botón de variable (PIB per cápita, Crecimiento PIB, Inversión Extranjera, Remesas, Industria, Exportaciones, Importaciones) para cambiar el ranking y observar cómo la composición del liderazgo económico global cambia radicalmente según la dimensión analizada. Esta variabilidad específica a cada variable económica anticipa que el Análisis de Componentes Principales identificará factores latentes que sintetizan estas dimensiones de forma coherente, revelando la verdadera estructura de la diferenciación económica internacional.

Al seleccionar diferentes indicadores mediante los botones de variable, se modifica el orden de los países en el ranking. Este comportamiento evidencia que la posición relativa de cada país varía según la métrica considerada, lo que refleja que el concepto de una “economía fuerte” puede adoptar significados distintos dependiendo del criterio de evaluación utilizado.

preparar_top15 <- function(data, variable, nombre_var) {
  resultado <- data %>%
    filter(!is.na(!!sym(variable)) & !!sym(variable) > 0) %>%
    arrange(desc(!!sym(variable))) %>%
    slice_head(n = 15) %>%
    arrange(!!sym(variable)) %>%
    mutate(
      Pais_label = Pais,
      Valor = !!sym(variable),
      Nombre_Variable = nombre_var
    ) %>%
    select(Pais_label, Valor, Nombre_Variable)
  
  return(resultado)
}

vars_config <- list(
  list(var = "PIB_per", nombre = "PIB per cápita (US$)", color = "#00e676"),
  list(var = "Crecimiento PIB", nombre = "Crecimiento PIB (% anual)", color = "#0084ff"),
  list(var = "Inversion extranjera", nombre = "Inversión Extranjera Directa (% PIB)", color = "#ffd600"),
  list(var = "Remesas", nombre = "Remesas recibidas (% PIB)", color = "#a259ff"),
  list(var = "Industria", nombre = "Industria (% PIB)", color = "#ff6b00"),
  list(var = "Exportaciones", nombre = "Exportaciones (% PIB)", color = "#00e5ff"),
  list(var = "Importaciones", nombre = "Importaciones (% PIB)", color = "#ff1744")
)

datasets <- lapply(seq_along(vars_config), function(i) {
  config <- vars_config[[i]]
  preparar_top15(Base_2022, config$var, config$nombre)
})

p <- plot_ly()

for (i in seq_along(vars_config)) {
  config <- vars_config[[i]]
  
  if(nrow(datasets[[i]]) > 0) {
    p <- p %>%
      add_trace(
        x = datasets[[i]]$Valor,
        y = datasets[[i]]$Pais_label,
        type = 'bar',
        orientation = 'h',
        marker = list(
          color = config$color, 
          line = list(color = '#ffffff', width = 1.5)
        ),
        text = format(round(datasets[[i]]$Valor, 2), big.mark = ",", scientific = FALSE),
        textposition = 'outside',
        textfont = list(color = '#00e5ff', size = 13, family = "Arial"),
        customdata = datasets[[i]]$Nombre_Variable,
        # ✅ Hover template CORREGIDO - colores que siempre contrastan
        hovertemplate = paste0(
          "<b style='color:#000000; font-size:14px; background-color:#ffffff; padding:5px; border-radius:3px;'>%{y}</b><br>",
          "<span style='color:#1a1a1a;'><b>%{customdata}:</b></span><br>",
          "<b style='color:#b35900; font-size:16px;'>%{x:.2f}</b>",
          "<extra></extra>"
        ),
        name = config$nombre,
        visible = (i == 1),
        showlegend = FALSE
      )
  }
}

p %>%
  layout(
    title = list(
      text = paste0(
        "<b style='color:#00e5ff; font-size:24px;'>Top 15 Países - ", 
        vars_config[[1]]$nombre, 
        "</b><br>",
        "<span style='color:#8b92a0; font-size:14px;'>Año 2022 | Selecciona una variable para cambiar</span>"
      ),
      x = 0.5,
      xanchor = 'center',
      y = 0.95
    ),
    xaxis = list(
      title = paste0("<b style='font-size:16px;'>", vars_config[[1]]$nombre, "</b>"),
      gridcolor = '#12161f',
      showgrid = TRUE,
      zeroline = TRUE,
      zerolinewidth = 2,
      zerolinecolor = "rgba(0, 229, 255, 0.5)",
      tickfont = list(color = '#8b92a0', size = 13),
      titlefont = list(color = '#e0e6ed', size = 16),
      range = c(0, max(datasets[[1]]$Valor) * 1.15)
    ),
    
    yaxis = list(
      title = "<b style='font-size:16px;'>País</b>",
      tickfont = list(color = '#e0e6ed', size = 13),
      titlefont = list(color = '#e0e6ed', size = 16),
      categoryorder = "array",
      categoryarray = rev(datasets[[1]]$Pais_label),
      automargin = TRUE
    ),
    plot_bgcolor = '#000000',
    paper_bgcolor = '#0a0e1a',
    font = list(family = "Arial, sans-serif", color = '#e0e6ed', size = 13),
    margin = list(l = 180, r = 50, b = 80, t = 120),
    hovermode = 'closest',
    hoverlabel = list(
      bgcolor = "#ffffff",
      bordercolor = "#00e5ff",
      font = list(color = "#000000", size = 13, family = "Arial")
    ),
    
    updatemenus = list(
      list(
        buttons = lapply(seq_along(vars_config), function(i) {
          config <- vars_config[[i]]
          
          visible <- rep(FALSE, length(vars_config))
          visible[i] <- TRUE
          
          list(
            label = strsplit(config$nombre, " \\(")[[1]][1],
            method = "update",
            args = list(
              list(visible = visible),
              list(
                title = paste0(
                  "<b style='color:#00e5ff; font-size:24px;'>Top 15 Países - ", 
                  config$nombre, 
                  "</b><br>",
                  "<span style='color:#8b92a0; font-size:14px;'>Año 2022 | Selecciona una variable para cambiar</span>"
                ),
                "xaxis.title" = paste0("<b style='font-size:16px;'>", config$nombre, "</b>"),
                "xaxis.range" = c(0, max(datasets[[i]]$Valor) * 1.15),
                "yaxis.categoryarray" = rev(datasets[[i]]$Pais_label)
              )
            )
          )
        }),
        
        direction = "down",
        pad = list(r = 10, t = 10),
        showactive = TRUE,
        x = 0.02,
        xanchor = "left",
        y = 1.02,
        yanchor = "bottom",
        bgcolor = "rgba(162, 89, 255, 0.25)",
        bordercolor = "#a259ff",
        borderwidth = 2,
        font = list(size = 12, color = "#a259ff", family = "Arial")
      )
    )
  ) %>%
  config(
    responsive = TRUE,
    displayModeBar = TRUE,
    displaylogo = FALSE,
    modeBarButtonsToRemove = list('lasso2d', 'select2d'),
    toImageButtonOptions = list(
      format = "png",
      filename = "top15_economia_2022",
      width = 1600,
      height = 900
    )
  )

El análisis de los distintos indicadores revela una marcada heterogeneidad entre países. Aquellos que lideran en una métrica no necesariamente mantienen posiciones similares en otras. Por ejemplo, Noruega encabeza el PIB per cápita, mientras que el crecimiento económico destaca en países distintos; Malta sobresale en inversión extranjera y Nepal en remesas.

La composición del top 15 varía según el indicador: las economías europeas dominan en PIB per cápita, pero en crecimiento, inversión o remesas surgen países de otras regiones. Además, las magnitudes y dispersiones difieren entre variables, lo que sugiere que cada indicador refleja dimensiones particulares del desempeño económico nacional.

3.2.2 Dimensión Salud y Bienestar

La Figura XX presenta la relación bidimensional entre esperanza de vida al nacer y mortalidad infantil, dos indicadores fundamentales del desempeño sanitario global. Estos indicadores capturan realidades complementarias: mientras la esperanza de vida refleja el resultado acumulado de mejoras en salud a lo largo de toda la vida, la mortalidad infantil es particularmente sensible a la calidad inmediata de la atención materno-infantil, acceso a saneamiento e infraestructura básica (WHO, 2020).

El gráfico interactivo es especialmente informativo: al pasar el cursor sobre cada punto (país), se despliegan simultáneamente tres dimensiones de salud—esperanza de vida, mortalidad infantil y gasto público en salud—permitiendo identificar si los países con mejor desempeño en longevidad genuinamente invierten recursos en su sistema de salud o si tienen patrones anómalos.

# Asignar continentes
asignar_continentes <- function(data) {
  continentes_map <- c(
    "Argentina" = "Americas", "Bahamas, The" = "Americas", "Barbados" = "Americas",
    "Belize" = "Americas", "Bolivia" = "Americas", "Brazil" = "Americas",
    "Canada" = "Americas", "Chile" = "Americas", "Colombia" = "Americas",
    "Costa Rica" = "Americas", "Cuba" = "Americas", "Dominica" = "Americas",
    "Dominican Republic" = "Americas", "Ecuador" = "Americas", "El Salvador" = "Americas",
    "Grenada" = "Americas", "Guatemala" = "Americas", "Guyana" = "Americas",
    "Haiti" = "Americas", "Honduras" = "Americas", "Jamaica" = "Americas",
    "Mexico" = "Americas", "Nicaragua" = "Americas", "Panama" = "Americas",
    "Paraguay" = "Americas", "Peru" = "Americas", "St. Kitts and Nevis" = "Americas",
    "St. Lucia" = "Americas", "St. Vincent and the Grenadines" = "Americas",
    "Suriname" = "Americas", "Trinidad and Tobago" = "Americas", "United States" = "Americas",
    "Uruguay" = "Americas", "Venezuela, RB" = "Americas", "Antigua and Barbuda" = "Americas",
    
    "Albania" = "Europe", "Austria" = "Europe", "Belarus" = "Europe",
    "Belgium" = "Europe", "Bosnia and Herzegovina" = "Europe", "Bulgaria" = "Europe",
    "Croatia" = "Europe", "Cyprus" = "Europe", "Czech Republic" = "Europe",
    "Czechia" = "Europe", "Denmark" = "Europe", "Estonia" = "Europe",
    "Finland" = "Europe", "France" = "Europe", "Germany" = "Europe",
    "Greece" = "Europe", "Hungary" = "Europe", "Iceland" = "Europe",
    "Ireland" = "Europe", "Italy" = "Europe", "Kosovo" = "Europe",
    "Latvia" = "Europe", "Lithuania" = "Europe", "Luxembourg" = "Europe",
    "Malta" = "Europe", "Montenegro" = "Europe", "Netherlands" = "Europe",
    "North Macedonia" = "Europe", "Norway" = "Europe", "Poland" = "Europe",
    "Portugal" = "Europe", "Russian Federation" = "Europe", "Serbia" = "Europe",
    "Slovak Republic" = "Europe", "Slovakia" = "Europe", "Slovenia" = "Europe",
    "Spain" = "Europe", "Sweden" = "Europe", "Switzerland" = "Europe",
    "Turkey" = "Europe", "Turkiye" = "Europe", "Ukraine" = "Europe",
    "United Kingdom" = "Europe", "Armenia" = "Europe", "Azerbaijan" = "Europe",
    "Georgia" = "Europe", "Moldova" = "Europe", "Romania" = "Europe",
    "San Marino" = "Europe",
    
    "Afghanistan" = "Asia", "Bahrain" = "Asia", "Bangladesh" = "Asia",
    "Bhutan" = "Asia", "Brunei Darussalam" = "Asia", "Cambodia" = "Asia",
    "China" = "Asia", "Hong Kong SAR, China" = "Asia", "India" = "Asia",
    "Indonesia" = "Asia", "Iran, Islamic Rep." = "Asia", "Iraq" = "Asia",
    "Israel" = "Asia", "Japan" = "Asia", "Jordan" = "Asia",
    "Kazakhstan" = "Asia", "Korea, Dem. People's rep." = "Asia", "Korea, Rep." = "Asia",
    "Kuwait" = "Asia", "Kyrgyz Republic" = "Asia", "Lao PDR" = "Asia",
    "Lebanon" = "Asia", "Macao SAR, China" = "Asia", "Malaysia" = "Asia",
    "Maldives" = "Asia", "Mongolia" = "Asia", "Myanmar" = "Asia",
    "Nepal" = "Asia", "Oman" = "Asia", "Pakistan" = "Asia",
    "Philippines" = "Asia", "Qatar" = "Asia", "Saudi Arabia" = "Asia",
    "Singapore" = "Asia", "Sri Lanka" = "Asia", "Syrian Arab Republic" = "Asia",
    "Taiwan" = "Asia", "Tajikistan" = "Asia", "Thailand" = "Asia",
    "Timor-Leste" = "Asia", "Turkmenistan" = "Asia", "United Arab Emirates" = "Asia",
    "Uzbekistan" = "Asia", "Vietnam" = "Asia", "Viet Nam" = "Asia",
    "West Bank and Gaza" = "Asia", "Yemen, Rep." = "Asia",
    
    "Algeria" = "Africa", "Angola" = "Africa", "Benin" = "Africa",
    "Botswana" = "Africa", "Burkina Faso" = "Africa", "Burundi" = "Africa",
    "Cabo Verde" = "Africa", "Cameroon" = "Africa", "Central African Republic" = "Africa",
    "Chad" = "Africa", "Comoros" = "Africa", "Congo, Dem. Rep." = "Africa",
    "Congo, Rep." = "Africa", "Cote d'Ivoire" = "Africa", "Djibouti" = "Africa",
    "Egypt, Arab Rep." = "Africa", "Equatorial Guinea" = "Africa", "Eritrea" = "Africa",
    "Eswatini" = "Africa", "Ethiopia" = "Africa", "Gabon" = "Africa",
    "Gambia, The" = "Africa", "Ghana" = "Africa", "Guinea" = "Africa",
    "Guinea-Bissau" = "Africa", "Kenya" = "Africa", "Lesotho" = "Africa",
    "Liberia" = "Africa", "Libya" = "Africa", "Madagascar" = "Africa",
    "Malawi" = "Africa", "Mali" = "Africa", "Mauritania" = "Africa",
    "Mauritius" = "Africa", "Morocco" = "Africa", "Mozambique" = "Africa",
    "Namibia" = "Africa", "Niger" = "Africa", "Nigeria" = "Africa",
    "Rwanda" = "Africa", "Senegal" = "Africa", "Sierra Leone" = "Africa",
    "Somnia" = "Africa", "South Africa" = "Africa", "South Sudan" = "Africa",
    "Sudan" = "Africa", "Tanzania" = "Africa", "Togo" = "Africa",
    "Tunisia" = "Africa", "Uganda" = "Africa", "Zambia" = "Africa",
    "Zimbabwe" = "Africa",
    
    "Australia" = "Oceania", "Fiji" = "Oceania", "Kiribati" = "Oceania",
    "Marshall Islands" = "Oceania", "Micronesia, Fed. Sts." = "Oceania",
    "New Zealand" = "Oceania", "Palau" = "Oceania", "Samoa" = "Oceania",
    "Solomon Islands" = "Oceania", "Tonga" = "Oceania", "Vanuatu" = "Oceania"
  )
  
  data %>%
    mutate(Continente = ifelse(Pais %in% names(continentes_map),
                                continentes_map[Pais], NA))
}

# Preparar datos - SOLO VARIABLES DE SALUD
datos_ev_mi <- Base_2022 %>%
  asignar_continentes() %>%
  filter(!is.na(`Esperanza vida`) & 
         !is.na(`Mortalidad infantil`) & 
         !is.na(`Gasto salud`) &
         !is.na(Continente)) %>%
  select(Pais, Continente, `Esperanza vida`, `Mortalidad infantil`, `Gasto salud`) %>%
  mutate(
    # ✅ TOOLTIP CON EL MISMO DISEÑO QUE EL GRÁFICO DE CONECTIVIDAD
    tooltip = paste0(
      "<b style='font-size:14px; color:#00e5ff;'>", Pais, "</b><br>",
      "<span style='color:#a259ff; font-size:11px;'>", Continente, "</span><br><br>",
      "<b style='color:#ffd600;'> INDICADORES DE SALUD:</b><br>",
      "├─ Esperanza de vida: <b style='color:#00e676;'>", 
      round(`Esperanza vida`, 1), " años</b><br>",
      "├─ Mortalidad infantil: <b style='color:#ff1744;'>", 
      round(`Mortalidad infantil`, 1), "/1,000</b><br>",
      "└─ Gasto en salud: <b style='color:#ffd600;'>", 
      round(`Gasto salud`, 2), "% PIB</b>"
    )
  )

# Crear gráfico scatter optimizado al máximo
p <- plot_ly(
  data = datos_ev_mi,
  x = ~`Esperanza vida`,
  y = ~`Mortalidad infantil`,
  color = ~Continente,
  colors = c(
    "Americas" = "green",
    "Europe" = "#0084ff",
    "Asia" = "#ffd600",
    "Africa" = "#ff1744",
    "Oceania" = "#a259ff"
  ),
  type = 'scatter',
  mode = 'markers',
  customdata = ~tooltip,
  hovertemplate = "%{customdata}<extra></extra>",
  marker = list(
    size = 14,  # Marcadores aún más grandes
    opacity = 0.9,
    line = list(color = '#ffffff', width = 2)
  ),
  showlegend = TRUE
) %>%
  layout(
    title = list(
      text = "<b style='color:#00e5ff; font-size:24px;'>Salud Poblacional: Esperanza de Vida vs Mortalidad Infantil</b><br>
               <span style='color:#8b92a0; font-size:14px;'>Año 2022 | Relación inversa: mejor salud = mayor EV y menor MI</span>",
      x = 0.5,
      xanchor = 'center',
      y = 0.95
    ),
    
    xaxis = list(
      title = "<b style='font-size:16px;'>Esperanza de vida al nacer (años)</b>",
      gridcolor = '#12161f',
      showgrid = TRUE,
      zeroline = FALSE,
      range = c(40, 90),  # Rango más amplio
      tickfont = list(color = '#8b92a0', size = 13),
      titlefont = list(color = '#e0e6ed', size = 16)
    ),
    
    yaxis = list(
      title = "<b style='font-size:16px;'>Mortalidad infantil (por 1,000 nacidos vivos)</b>",
      gridcolor = '#12161f',
      showgrid = TRUE,
      zeroline = FALSE,
      range = c(0, 110),
      tickfont = list(color = '#8b92a0', size = 13),
      titlefont = list(color = '#e0e6ed', size = 16)
    ),
    
    plot_bgcolor = '#000000',
    paper_bgcolor = '#0a0e1a',
    font = list(family = "Arial, sans-serif", color = '#e0e6ed', size = 13),
    
    hoverlabel = list(
      bgcolor = "rgba(10, 14, 26, 0.95)",
      bordercolor = "#00e5ff",
      font = list(color = "#e0e6ed", size = 12, family = "Arial")
    ),
    
    legend = list(
      title = list(text = "<b style='font-size:14px;'>Continente</b>", font = list(size = 14, color = "#00e5ff")),
      bgcolor = 'rgba(10,14,26,0.95)',
      bordercolor = '#00e5ff',
      borderwidth = 2,
      x = 0.99,  # Más pegado al borde derecho
      y = 0.99,  # Más pegado al borde superior
      xanchor = "right",
      yanchor = "top",
      font = list(size = 13, color = "#e0e6ed")
    ),
    
    margin = list(l = 80, r = 120, b = 60, t = 100),  # Margen derecho reducido
    
    hovermode = 'closest',
    

    shapes = list(

      list(
        type = "rect",
        x0 = 75, x1 = 90,
        y0 = 0, y1 = 15,
        xref = "x", yref = "y",
        fillcolor = "rgba(0, 230, 118, 0.15)",
        line = list(color = "rgba(0, 230, 118, 0.7)", width = 2.5, dash = "dot"),
        layer = "below"
      ),
      
      # Zona CRÍTICA
      list(
        type = "rect",
        x0 = 40, x1 = 65,
        y0 = 40, y1 = 110,
        xref = "x", yref = "y",
        fillcolor = "rgba(255, 23, 68, 0.15)",
        line = list(color = "rgba(255, 23, 68, 0.7)", width = 2.5, dash = "dot"),
        layer = "below"
      )
    ),
    
    annotations = list(
      # Anotación ZONA ÓPTIMA
      list(
        x = 82.5, 
        y = 25,  # Mover más arriba para evitar superposición
        text = "<b style='color:#00e676; font-size:13px;'>✓ ZONA ÓPTIMA</b><br><span style='color:#00e676; font-size:11px;'>Alta EV + Baja MI</span>",
        showarrow = FALSE,
        bgcolor = "rgba(0, 230, 118, 0.25)",
        bordercolor = "#00e676",
        borderwidth = 2,
        borderpad = 8,
        font = list(size = 11),
        xanchor = "center"
      ),
      
      # Anotación ZONA CRÍTICA
      list(
        x = 52.5, 
        y = 95,  # Mover más abajo para evitar superposición
        text = "<b style='color:#ff1744; font-size:13px;'>⚠ ZONA CRÍTICA</b><br><span style='color:#ff1744; font-size:11px;'>Baja EV + Alta MI</span>",
        showarrow = FALSE,
        bgcolor = "rgba(255, 23, 68, 0.25)",
        bordercolor = "#ff1744",
        borderwidth = 2,
        borderpad = 8,
        font = list(size = 11),
        xanchor = "center"
      ),
      
      # Anotación explicativa
      list(
        x = 0.02,
        y = -0.12,
        text = "<span style='color:#8b92a0; font-size:11px;'>Cada punto representa un país | Arrastra para zoom | Doble click para resetear</span>",
        showarrow = FALSE,
        xref = "paper",
        yref = "paper",
        xanchor = "left"
      ),
      
      # Anotación de correlación (valor añadido)
      list(
        x = 0.98,
        y = -0.12,
        text = "<span style='color:#8b92a0; font-size:11px;'>Correlación inversa fuerte: r = ~ -0.85</span>",
        showarrow = FALSE,
        xref = "paper",
        yref = "paper",
        xanchor = "right"
      )
    )
  ) %>%
  
  config(
    responsive = TRUE,
    displayModeBar = TRUE,
    displaylogo = FALSE,
    modeBarButtonsToRemove = list('lasso2d', 'select2d'),
    toImageButtonOptions = list(
      format = "png",
      filename = "salud_poblacional_2022",
      width = 1800,  # Mayor resolución
      height = 1000
    )
  )

p

La gráfica evidencia una segregación geográfica pronunciada: los paises Europa y Oceanía se concentran casi completamente en la zona óptima, formando un grupo de alta longevidad y baja mortalidad infantil. En contraste, muchos paises de África ocupan predominantemente la zona crítica, con esperanza de vida entre 50-65 años y mortalidad infantil superior a 30 por mil nacidos vivos. Los paises de América exhiben una distribución intermedia con variabilidad interna significativa: mientras algunos países rondan los 75 años de EV, otros permanecen por debajo de 70. Los Asiaticos destacan por su extrema heterogeneidad: naciones desarrolladas se ubican en la zona óptima, mientras casos como Pakistan ilustran cómo países asiáticos pueden enfrentar desafíos sanitarios comparables a contextos africanos, a pesar de perfiles económicos distintos.

La marcada relación inversa evidencia que los sistemas de salud más robustos logran simultáneamente aumentar longevidad y reducir mortalidad infantil, señalando que ambas variables capturan la misma realidad subyacente: la calidad y accesibilidad de servicios sanitarios fundamentales.

3.2.3 Dimensión Tecnológica y de Conectividad

La conectividad digital es un mecanismo contemporáneo fundamental de inclusión económica, pero no es unidimensional: requiere infraestructura energética (acceso a electricidad), conectividad informática (uso de internet) y penetración móvil (suscripciones por habitante). Estas variables son complementarias pero pueden desacoplarse—un país puede tener electricidad universal pero baja adopción de internet, o inversamente, penetración móvil extraordinaria sin acceso eléctrico generalizado.

La Figura XX desagrega estos indicadores en cinco paneles geográficos, donde el eje horizontal representa acceso a electricidad, el eje vertical uso de internet, y el tamaño de cada burbuja codifica suscripciones móviles. Una línea diagonal de referencia actúa como benchmark: países sobre ella tienen penetración digital que compensa acceso eléctrico limitado; países bajo ella exhiben brechas donde energía no se traduce en conectividad informática. Al pasar el cursor sobre cada burbuja, se despliegan los tres indicadores de conectividad específicos del país y continente.

datos_scatter_gg <- Base_2022 %>%
  asignar_continentes() %>%
  filter(
    !is.na(`Acceso electricidad`) & 
    !is.na(`Uso internet`) & 
    !is.na(`Suscripciones movil`) &
    !is.na(Continente) &
    Continente != "Otros"
  ) %>%
  mutate(
    Electricidad = `Acceso electricidad`,
    Internet = `Uso internet`,
    Movil = `Suscripciones movil`,
    Continente = factor(Continente, 
      levels = c("Africa", "Americas", "Asia", "Europe", "Oceania"))
  ) %>%
  arrange(Continente)

p_gg <- ggplot(datos_scatter_gg, aes(x = Electricidad, y = Internet)) +
  geom_abline(
    intercept = 0, 
    slope = 1, 
    linetype = "dashed",
    color = "#00e5ff",
    linewidth = 1,
    alpha = 0.3
  ) +
  geom_point(
    aes(
      fill = Continente,
      size = Movil,
      text = paste0(
        "<b style='font-size:14px;'>", Pais, "</b><br>",
        "<span style='color:#a259ff; font-size:11px;'>", Continente, "</span><br><br>",
        "<b style='color:#ffd600;'> INDICADORES</b><br>",
        "├─ 🔌 Electricidad: <b style='color:#00e676;'>", 
        round(Electricidad, 1), "%</b><br>",
        "├─ 🌐 Internet: <b style='color:#00e5ff;'>", 
        round(Internet, 1), "%</b><br>",
        "└─ 📱 Móviles: <b style='color:#ffd600;'>", 
        round(Movil, 1), "/100 hab.</b>"
      )
    ),
    alpha = 0.78,
    shape = 19,
    color = NA
  ) +
  scale_size_continuous(
    name = "Suscripciones Móviles\n(por 100 hab.)",
    range = c(2, 10),
    breaks = c(20, 50, 100, 150),
    labels = c("20", "50", "100", "150+")
  ) +
  geom_text_repel(
    aes(label = Pais),
    size = 2.8,
    color = "#e0e6ed",
    max.overlaps = 20,
    segment.color = "#00e5ff",
    segment.alpha = 0.3,
    segment.size = 0.3
  ) +
  facet_wrap(~Continente, ncol = 3) +
  scale_fill_manual(
    name = "Continente",
    values = c(
      "Africa" = "#ff1744",
      "Americas" = "#00e676",
      "Asia" = "#ffd600",
      "Europe" = "#0084ff",
      "Oceania" = "#a259ff"
    )
  ) +
  scale_x_continuous(limits = c(0, 105), breaks = seq(0, 100, 20)) +
  scale_y_continuous(limits = c(0, 105), breaks = seq(0, 100, 20)) +
  labs(
    title = "Infraestructura Digital: Análisis Multidimensional por Región",
    subtitle = "Año 2022 | Tamaño de burbuja = Suscripciones Móviles (por 100 hab)",
    x = "Acceso a Electricidad (% población)",
    y = "Uso de Internet (% población)"
  ) +
  theme_minimal(base_size = 11) +
  theme(
    plot.background = element_rect(fill = "#000000", color = NA),
    panel.background = element_rect(fill = "#0a0e1a", color = NA),
    panel.grid.major = element_line(color = "#12161f", linewidth = 0.3),
    panel.grid.minor = element_line(color = "#12161f", linewidth = 0.2),
    
    plot.title = element_text(
      color = "#00e5ff",
      face = "bold",
      size = 16,
      hjust = 0.5,
      margin = margin(b = 8)
    ),
    plot.subtitle = element_text(
      color = "#8b92a0",
      size = 11,
      hjust = 0.5,
      margin = margin(b = 15),
      lineheight = 1.2,
      face = "italic"
    ),
    
    axis.title = element_text(
      color = "#e0e6ed",
      face = "bold",
      size = 11
    ),
    axis.text = element_text(color = "#8b92a0", size = 10),
    axis.line = element_line(color = "#00e5ff", linewidth = 0.4),
    
    strip.text = element_text(
      color = "#00e5ff",
      face = "bold",
      size = 12,
      margin = margin(b = 8)
    ),
    strip.background = element_rect(
      fill = "#1a1a3e",
      color = "#00e5ff",
      linewidth = 1.2
    ),
    
    # LEYENDAS - AMBAS ACTIVAS
    legend.background = element_rect(
      fill = "#0a0e1a",
      color = "#00e5ff",
      linewidth = 1.2
    ),
    legend.text = element_text(color = "#e0e6ed", size = 11),
    legend.title = element_text(color = "#00e5ff", face = "bold", size = 12),
    legend.key = element_rect(fill = "#0a0e1a", color = NA),
    legend.key.size = unit(0.8, "cm"),
    legend.position = "right",
    legend.box = "vertical",
    legend.spacing.y = unit(0.5, "cm"),
    legend.margin = margin(10, 10, 10, 10),
    
    plot.margin = margin(15, 15, 15, 15)
  )

# Convertir a plotly y AJUSTAR LEYENDAS SEPARADAMENTE
plotly_plot <- ggplotly(p_gg, tooltip = "text") %>%
  layout(
    # Leyenda de continentes (arriba)
    legend = list(
      title = list(text = "<b>Continente</b>"),
      font = list(color = "#e0e6ed", size = 11),
      bgcolor = "rgba(10, 14, 26, 0.9)",
      bordercolor = "#00e5ff",
      borderwidth = 1,
      x = 1.05,
      y = 0.8,
      traceorder = "normal"
    ),
    # Leyenda de tamaño (abajo) - CREAR MANUALMENTE
    annotations = list(
      # Título de leyenda de tamaño
      list(
        x = 1.05,
        y = 0.45,
        xref = "paper",
        yref = "paper",
        text = "<b style='color:#00e5ff; font-size:12px;'>Suscripciones Móviles</b>",
        showarrow = FALSE,
        xanchor = "left",
        yanchor = "middle",
        font = list(size = 12, color = "#00e5ff")
      ),
      # Círculo pequeño
      list(
        x = 1.02,
        y = 0.4,
        xref = "paper",
        yref = "paper",
        text = "●",
        showarrow = FALSE,
        xanchor = "center",
        yanchor = "middle",
        font = list(size = 15, color = "#8b92a0")
      ),
      # Texto pequeño
      list(
        x = 1.08,
        y = 0.4,
        xref = "paper",
        yref = "paper",
        text = "20",
        showarrow = FALSE,
        xanchor = "left",
        yanchor = "middle",
        font = list(size = 10, color = "#e0e6ed")
      ),
      # Círculo mediano
      list(
        x = 1.02,
        y = 0.35,
        xref = "paper",
        yref = "paper",
        text = "●",
        showarrow = FALSE,
        xanchor = "center",
        yanchor = "middle",
        font = list(size = 20, color = "#8b92a0")
      ),
      # Texto mediano
      list(
        x = 1.08,
        y = 0.35,
        xref = "paper",
        yref = "paper",
        text = "50",
        showarrow = FALSE,
        xanchor = "left",
        yanchor = "middle",
        font = list(size = 10, color = "#e0e6ed")
      ),
      # Círculo grande
      list(
        x = 1.02,
        y = 0.3,
        xref = "paper",
        yref = "paper",
        text = "●",
        showarrow = FALSE,
        xanchor = "center",
        yanchor = "middle",
        font = list(size = 25, color = "#8b92a0")
      ),
      # Texto grande
      list(
        x = 1.08,
        y = 0.3,
        xref = "paper",
        yref = "paper",
        text = "100",
        showarrow = FALSE,
        xanchor = "left",
        yanchor = "middle",
        font = list(size = 10, color = "#e0e6ed")
      ),
      # Círculo muy grande
      list(
        x = 1.02,
        y = 0.25,
        xref = "paper",
        yref = "paper",
        text = "●",
        showarrow = FALSE,
        xanchor = "center",
        yanchor = "middle",
        font = list(size = 30, color = "#8b92a0")
      ),
      # Texto muy grande
      list(
        x = 1.08,
        y = 0.25,
        xref = "paper",
        yref = "paper",
        text = "150+",
        showarrow = FALSE,
        xanchor = "left",
        yanchor = "middle",
        font = list(size = 10, color = "#e0e6ed")
      ),
      # Nota explicativa
      list(
        x = 1.05,
        y = 0.18,
        xref = "paper",
        yref = "paper",
        text = "<span style='color:#8b92a0; font-size:10px;'>(por 100 habitantes)</span>",
        showarrow = FALSE,
        xanchor = "left",
        yanchor = "middle"
      )
    ),
    hoverlabel = list(
      bgcolor = "rgba(10, 14, 26, 0.95)",
      bordercolor = "#00e5ff",
      font = list(color = "#e0e6ed", size = 12, family = "Arial")
    ),
    font = list(family = "Arial", color = "#e0e6ed"),
    margin = list(l = 50, r = 200, b = 50, t = 100)
  ) %>%
  config(
    responsive = TRUE,
    displayModeBar = TRUE,
    displaylogo = FALSE,
    modeBarButtonsToRemove = list('lasso2d', 'select2d'),
    toImageButtonOptions = list(
      format = "png",
      filename = "infraestructura_digital_final",
      width = 1200,
      height = 800
    )
  )

plotly_plot <- plotly_plot %>%
  style(showlegend = FALSE, traces = c(2:6))  # Ocultar leyendas de tamaño

plotly_plot

En África, países como Níger y Mali se concentran en el cuadrante inferior izquierdo (20-40% electricidad, 10-30% internet), aunque Marruecos emerge como outlier con 100% acceso eléctrico y 89.9% internet, demostrando que la universalización es viable. En Europa, Suecia y Noruega ocupan la esquina superior derecha con universalización eléctrica, internet penetrante (95-100%) y saturación móvil (100+ suscripciones/100 hab.). América presenta electricidad generalizada (80-95%) pero internet variable (50-80%), indicando que infraestructura energética no garantiza automáticamente adopción digital sin inversión específica en telecomunicaciones. Asia destaca por su extrema heterogeneidad: mientras Japón y Singapur se alinean con economías desarrolladas, Bangladesh y Pakistán enfrentan limitaciones más severas. Notablemente, países asiáticos como India y Filipinas exhiben penetración móvil extraordinaria (120-140 suscripciones/100 hab.) a pesar de acceso eléctrico limitado, evidenciando que la telefonía móvil ha permitido saltos tecnológicos sin requerir infraestructura fija completa.

3.2.4 Dimension ambiental y de recursos

La Figura XX muestra cómo los países distribuyen su territorio entre bosques y tierras cultivables, dos recursos fundamentales para conservación ambiental y seguridad alimentaria. El eje horizontal mide cobertura boscosa, el eje vertical tierra cultivable, y el gráfico divide el espacio en cuatro zonas: conservación (muchos bosques, poca agricultura), agrícola (mucha agricultura, pocos bosques), balance (ambas moderadas), y crítica (ambas limitadas). Al pasar el cursor sobre cada punto, aparece información del país: porcentaje de cobertura boscosa, porcentaje de tierra cultivable, el balance total entre ambas, y tamaño de población. Esto permite ver cómo el uso de tierra varía según demografía: India concentra alta agricultura (51.8% tierra cultivable) y baja cobertura boscosa, reflejando presión por alimentar su enorme población. Brasil y Bolivia se ubican en zona de balance con mayor cobertura forestal. Mauritania y Eritrea ocupan la zona crítica, con recursos limitados tanto para bosques como para agricultura. En la leyenda al hacer clic en un continente, el gráfico se filtra mostrando solo los países de esa región, permitiendo comparar patrones ambientales dentro de cada geografía. Esta visualización anticipa si la conservación ambiental es un lujo de países ricos o una estrategia viable en todos los contextos.

asignar_continentes <- function(data) {
  continentes_map <- c(
    "Argentina" = "Americas", "Bahamas, The" = "Americas", "Barbados" = "Americas",
    "Belize" = "Americas", "Bolivia" = "Americas", "Brazil" = "Americas",
    "Canada" = "Americas", "Chile" = "Americas", "Colombia" = "Americas",
    "Costa Rica" = "Americas", "Cuba" = "Americas", "Dominica" = "Americas",
    "Dominican Republic" = "Americas", "Ecuador" = "Americas", "El Salvador" = "Americas",
    "Grenada" = "Americas", "Guatemala" = "Americas", "Guyana" = "Americas",
    "Haiti" = "Americas", "Honduras" = "Americas", "Jamaica" = "Americas",
    "Mexico" = "Americas", "Nicaragua" = "Americas", "Panama" = "Americas",
    "Paraguay" = "Americas", "Peru" = "Americas", "St. Kitts and Nevis" = "Americas",
    "St. Lucia" = "Americas", "St. Vincent and the Grenadines" = "Americas",
    "Suriname" = "Americas", "Trinidad and Tobago" = "Americas", "United States" = "Americas",
    "Uruguay" = "Americas", "Venezuela, RB" = "Americas", "Antigua and Barbuda" = "Americas",
    
    "Albania" = "Europe", "Austria" = "Europe", "Belarus" = "Europe",
    "Belgium" = "Europe", "Bosnia and Herzegovina" = "Europe", "Bulgaria" = "Europe",
    "Croatia" = "Europe", "Cyprus" = "Europe", "Czech Republic" = "Europe",
    "Czechia" = "Europe", "Denmark" = "Europe", "Estonia" = "Europe",
    "Finland" = "Europe", "France" = "Europe", "Germany" = "Europe",
    "Greece" = "Europe", "Hungary" = "Europe", "Iceland" = "Europe",
    "Ireland" = "Europe", "Italy" = "Europe", "Kosovo" = "Europe",
    "Latvia" = "Europe", "Lithuania" = "Europe", "Luxembourg" = "Europe",
    "Malta" = "Europe", "Montenegro" = "Europe", "Netherlands" = "Europe",
    "North Macedonia" = "Europe", "Norway" = "Europe", "Poland" = "Europe",
    "Portugal" = "Europe", "Russian Federation" = "Europe", "Serbia" = "Europe",
    "Slovak Republic" = "Europe", "Slovakia" = "Europe", "Slovenia" = "Europe",
    "Spain" = "Europe", "Sweden" = "Europe", "Switzerland" = "Europe",
    "Turkey" = "Europe", "Turkiye" = "Europe", "Ukraine" = "Europe",
    "United Kingdom" = "Europe", "Armenia" = "Europe", "Azerbaijan" = "Europe",
    "Georgia" = "Europe", "Moldova" = "Europe", "Romania" = "Europe",
    "San Marino" = "Europe",
    
    "Afghanistan" = "Asia", "Bahrain" = "Asia", "Bangladesh" = "Asia",
    "Bhutan" = "Asia", "Brunei Darussalam" = "Asia", "Cambodia" = "Asia",
    "China" = "Asia", "Hong Kong SAR, China" = "Asia", "India" = "Asia",
    "Indonesia" = "Asia", "Iran, Islamic Rep." = "Asia", "Iraq" = "Asia",
    "Israel" = "Asia", "Japan" = "Asia", "Jordan" = "Asia",
    "Kazakhstan" = "Asia", "Korea, Dem. People's rep." = "Asia", "Korea, Rep." = "Asia",
    "Kuwait" = "Asia", "Kyrgyz Republic" = "Asia", "Lao PDR" = "Asia",
    "Lebanon" = "Asia", "Macao SAR, China" = "Asia", "Malaysia" = "Asia",
    "Maldives" = "Asia", "Mongolia" = "Asia", "Myanmar" = "Asia",
    "Nepal" = "Asia", "Oman" = "Asia", "Pakistan" = "Asia",
    "Philippines" = "Asia", "Qatar" = "Asia", "Saudi Arabia" = "Asia",
    "Singapore" = "Asia", "Sri Lanka" = "Asia", "Syrian Arab Republic" = "Asia",
    "Taiwan" = "Asia", "Tajikistan" = "Asia", "Thailand" = "Asia",
    "Timor-Leste" = "Asia", "Turkmenistan" = "Asia", "United Arab Emirates" = "Asia",
    "Uzbekistan" = "Asia", "Vietnam" = "Asia", "Viet Nam" = "Asia",
    "West Bank and Gaza" = "Asia", "Yemen, Rep." = "Asia",
    
    "Algeria" = "Africa", "Angola" = "Africa", "Benin" = "Africa",
    "Botswana" = "Africa", "Burkina Faso" = "Africa", "Burundi" = "Africa",
    "Cabo Verde" = "Africa", "Cameroon" = "Africa", "Central African Republic" = "Africa",
    "Chad" = "Africa", "Comoros" = "Africa", "Congo, Dem. Rep." = "Africa",
    "Congo, Rep." = "Africa", "Cote d'Ivoire" = "Africa", "Djibouti" = "Africa",
    "Egypt, Arab Rep." = "Africa", "Equatorial Guinea" = "Africa", "Eritrea" = "Africa",
    "Eswatini" = "Africa", "Ethiopia" = "Africa", "Gabon" = "Africa",
    "Gambia, The" = "Africa", "Ghana" = "Africa", "Guinea" = "Africa",
    "Guinea-Bissau" = "Africa", "Kenya" = "Africa", "Lesotho" = "Africa",
    "Liberia" = "Africa", "Libya" = "Africa", "Madagascar" = "Africa",
    "Malawi" = "Africa", "Mali" = "Africa", "Mauritania" = "Africa",
    "Mauritius" = "Africa", "Morocco" = "Africa", "Mozambique" = "Africa",
    "Namibia" = "Africa", "Niger" = "Africa", "Nigeria" = "Africa",
    "Rwanda" = "Africa", "Senegal" = "Africa", "Sierra Leone" = "Africa",
    "Somalia" = "Africa", "South Africa" = "Africa", "South Sudan" = "Africa",
    "Sudan" = "Africa", "Tanzania" = "Africa", "Togo" = "Africa",
    "Tunisia" = "Africa", "Uganda" = "Africa", "Zambia" = "Africa",
    "Zimbabwe" = "Africa",
    
    "Australia" = "Oceania", "Fiji" = "Oceania", "Kiribati" = "Oceania",
    "Marshall Islands" = "Oceania", "Micronesia, Fed. Sts." = "Oceania",
    "New Zealand" = "Oceania", "Palau" = "Oceania", "Samoa" = "Oceania",
    "Solomon Islands" = "Oceania", "Tonga" = "Oceania", "Vanuatu" = "Oceania"
  )
  
  data %>%
    mutate(Continente = ifelse(Pais %in% names(continentes_map),
                                continentes_map[Pais], NA))
}

datos_ambiental <- Base_2022 %>%
  asignar_continentes() %>%
  filter(
    !is.na(`Area boscosa`) & 
    !is.na(`Tierra cultivable`) & 
    !is.na(Poblacion) &
    !is.na(Continente)
  ) %>%
  select(
    Pais, Continente,
    `Area boscosa`,
    `Tierra cultivable`,
    Poblacion
  ) %>%
  mutate(
    # ✅ TOOLTIP CON EL MISMO DISEÑO QUE EL GRÁFICO DE CONECTIVIDAD
    tooltip = paste0(
      "<b style='font-size:14px; color:#00e5ff;'>", Pais, "</b><br>",
      "<span style='color:#a259ff; font-size:11px;'>", Continente, "</span><br><br>",
      "<b style='color:#ffd600;'> USO DE TIERRA:</b><br>",
      "├─ Área Boscosa: <b style='color:#00e676;'>", 
      round(`Area boscosa`, 1), "%</b><br>",
      "├─ Tierra Cultivable: <b style='color:#ffd600;'>", 
      round(`Tierra cultivable`, 1), "%</b><br>",
      "├─ Balance: <b style='color:#00e5ff;'>", 
      round(`Area boscosa` + `Tierra cultivable`, 1), "% (bosque + cultivo)</b><br>",
      "└─ Población: <b style='color:#ff1744;'>", 
      format(round(Poblacion/1e6, 1), big.mark = ",", trim = TRUE), " M</b>"
    )
  )

color_map <- c(
  "Africa" = "#ff1744",
  "Americas" = "#00e676",
  "Asia" = "#ffd600",
  "Europe" = "#0084ff",
  "Oceania" = "#a259ff"
)

p <- plot_ly() %>%
  add_trace(
    data = datos_ambiental,
    x = ~`Area boscosa`,
    y = ~`Tierra cultivable`,
    # ✅ TAMAÑO FIJO - SIN VARIACIÓN POR POBLACIÓN
    color = ~Continente,
    colors = color_map,
    type = "scatter",
    mode = "markers",
    customdata = ~tooltip,
    hovertemplate = "%{customdata}<extra></extra>",
    marker = list(
      size = 12,  # ✅ TAMAÑO FIJO PARA TODOS LOS PUNTOS
      opacity = 0.8,
      line = list(
        color = "#ffffff", 
        width = 1.5   
      )
    ),
    showlegend = TRUE
  ) %>%
  
  layout(
    title = list(
      text = "<b style='color:#00e5ff; font-size:24px;'>Sostenibilidad Ambiental: Uso de Tierra</b><br>
               <span style='color:#8b92a0; font-size:14px;'>Año 2022 | Balance entre conservación y agricultura</span>",
      x = 0.5,
      xanchor = 'center',
      y = 0.95
    ),
    
    xaxis = list(
      title = "<b style='font-size:16px;'>Área Boscosa (% de tierra)</b>",
      gridcolor = '#12161f',
      showgrid = TRUE,
      zeroline = FALSE,
      tickfont = list(color = '#8b92a0', size = 13),
      titlefont = list(color = '#e0e6ed', size = 16),
      range = c(0, 100)
    ),
    
    yaxis = list(
      title = "<b style='font-size:16px;'>Tierra Cultivable (% de tierra)</b>",
      gridcolor = '#12161f',
      showgrid = TRUE,
      zeroline = FALSE,
      tickfont = list(color = '#8b92a0', size = 13),
      titlefont = list(color = '#e0e6ed', size = 16),
      range = c(0, 70)
    ),
    
    plot_bgcolor = '#000000',
    paper_bgcolor = '#0a0e1a',
    font = list(family = "Arial, sans-serif", color = '#e0e6ed', size = 13),
    
    # ✅ LEYENDA MOVIDA A LA ESQUINA SUPERIOR DERECHA
    legend = list(
      title = list(text = "<b style='font-size:14px;'>Continente</b>", font = list(size = 14, color = "#00e5ff")),
      bgcolor = 'rgba(10,14,26,0.95)',
      bordercolor = '#00e5ff',
      borderwidth = 1.5,
      x = 0.98,  # ✅ POSICIÓN DERECHA
      y = 0.98,  # ✅ POSICIÓN SUPERIOR
      xanchor = "right",
      yanchor = "top",
      font = list(size = 12, color = "#e0e6ed")
    ),
    
    margin = list(l = 100, r = 50, b = 120, t = 120),
    hovermode = 'closest',
    
    # ✅ HOVERLABEL IDÉNTICO AL GRÁFICO DE CONECTIVIDAD
    hoverlabel = list(
      bgcolor = "rgba(10, 14, 26, 0.95)",
      bordercolor = "#00e5ff",
      font = list(color = "#e0e6ed", size = 12, family = "Arial")
    ),
    
    shapes = list(
      list(
        type = "rect",
        x0 = 60, x1 = 100,
        y0 = 0, y1 = 20,
        xref = "x", yref = "y",
        fillcolor = "rgba(0, 230, 118, 0.1)",
        line = list(color = "rgba(0, 230, 118, 0.6)", width = 2, dash = "dot"),
        layer = "below"
      ),
      list(
        type = "rect",
        x0 = 0, x1 = 30,
        y0 = 40, y1 = 70,
        xref = "x", yref = "y",
        fillcolor = "rgba(255, 214, 0, 0.1)",
        line = list(color = "rgba(255, 214, 0, 0.6)", width = 2, dash = "dot"),
        layer = "below"
      ),
      list(
        type = "rect",
        x0 = 30, x1 = 60,
        y0 = 20, y1 = 40,
        xref = "x", yref = "y",
        fillcolor = "rgba(0, 132, 255, 0.1)",
        line = list(color = "rgba(0, 132, 255, 0.6)", width = 2, dash = "dot"),
        layer = "below"
      ),
      list(
        type = "rect",
        x0 = 0, x1 = 30,
        y0 = 0, y1 = 20,
        xref = "x", yref = "y",
        fillcolor = "rgba(255, 23, 68, 0.1)",
        line = list(color = "rgba(255, 23, 68, 0.6)", width = 2, dash = "dot"),
        layer = "below"
      )
    ),
    
    annotations = list(
      list(
        x = 88, y = 10,
        text = "<b style='color:#00e676; font-size:12px;'>🌲 CONSERVACIÓN</b>",
        showarrow = FALSE,
        bgcolor = "rgba(0, 230, 118, 0.2)",
        bordercolor = "#00e676",
        borderwidth = 1.5,
        borderpad = 6,
        font = list(size = 11)
      ),
      list(
        x = 30, y = 65,
        text = "<b style='color:#ffd600; font-size:12px;'>🌾 AGRÍCOLA</b>",
        showarrow = FALSE,
        bgcolor = "rgba(255, 214, 0, 0.2)",
        bordercolor = "#ffd600",
        borderwidth = 1.5,
        borderpad = 6,
        font = list(size = 11)
      ),
      list(
        x = 60, y = 40,
        text = "<b style='color:#0084ff; font-size:12px;'>⚖️ BALANCE</b>",
        showarrow = FALSE,
        bgcolor = "rgba(0, 132, 255, 0.2)",
        bordercolor = "#0084ff",
        borderwidth = 1.5,
        borderpad = 6,
        font = list(size = 11)
      ),
      list(
        x = 15, y = 20,
        text = "<b style='color:#ff1744; font-size:12px;'>⚠️ CRÍTICA</b>",
        showarrow = FALSE,
        bgcolor = "rgba(255, 23, 68, 0.2)",
        bordercolor = "#ff1744",
        borderwidth = 1.5,
        borderpad = 6,
        font = list(size = 10)
      ),
      
      list(
        x = 0.5, y = -0.15,
        xref = "paper", yref = "paper",
        text = "<span style='color:#8b92a0; font-size:12px;'>Verde = alta cobertura boscosa. Amarillo = alta agricultura. Equilibrio = desarrollo sostenible.</span>",
        showarrow = FALSE,
        xanchor = "center",
        yanchor = "top",
        font = list(size = 11, color = "#8b92a0")
      )
    )
  ) %>%
  
  config(
    responsive = TRUE,
    displayModeBar = TRUE,
    displaylogo = FALSE,
    modeBarButtonsToRemove = list('lasso2d', 'select2d'),
    toImageButtonOptions = list(
      format = "png",
      filename = "sostenibilidad_ambiental_2022",
      width = 1600,
      height = 1000
    )
  )

p

El gráfico revela una clara segregación geográfica en el uso de tierra: algunos países concentran la zona agrícola con alta tierra cultivable pero baja cobertura boscosa, mientras otros ocupan la zona de balance manteniendo ambas variables moderadas. Europa tiende a distribuirse en la zona media-superior con mayor cobertura forestal, mientras que muchos países africanos se concentran en la zona crítica donde ambos recursos son limitados. La dispersión dentro de cada continente muestra variabilidad significativa, indicando que el uso de tierra no sigue un patrón único sino que responde a dinámicas regionales específicas. Esta visualización permite identificar que la presión ambiental—reflejada en el balance entre conservación y agricultura—opera de formas distintas según geografía, información que el análisis multivariado posteriormente contextualizará dentro de la estructura general del desarrollo.

3.2.5 Dimensión Demográfica

La dinámica poblacional condiciona fundamentalmente los desafíos de desarrollo: presión sobre recursos, mercado laboral, demanda por servicios públicos y sostenibilidad fiscal. Esta figura examina simultáneamente población y crecimiento poblacional en los 60 países más grandes, permitiendo visualizar si el crecimiento demográfico genera oportunidades (dividendo demográfico) o presiones críticas (declive o sobrepoblación).

Estructura del Gráfico: Cada rectángulo representa un país donde el tamaño codifica población total. El color codifica crecimiento poblacional anual: verde indica crecimiento alto (2%+, potencial dividendo demográfico), amarillo transición moderada (0.5-2%), naranja-rojo crecimiento bajo o negativo (riesgo de declive poblacional). Al pasar el cursor sobre cada país, aparecen simultáneamente cinco indicadores demográficos y algunos de desarrollo para complementar: población en millones, tasa de crecimiento anual, esperanza de vida, mortalidad infantil, y PIB per cápita. También se muestra la clasificación demográfica del país (Dividendo Demográfico, Madurez Estable o Declive Poblacional).

asignar_continentes <- function(data) {
  continentes_map <- c(
    "Argentina" = "Americas", "Bahamas, The" = "Americas", "Barbados" = "Americas",
    "Belize" = "Americas", "Bolivia" = "Americas", "Brazil" = "Americas",
    "Canada" = "Americas", "Chile" = "Americas", "Colombia" = "Americas",
    "Costa Rica" = "Americas", "Cuba" = "Americas", "Dominica" = "Americas",
    "Dominican Republic" = "Americas", "Ecuador" = "Americas", "El Salvador" = "Americas",
    "Grenada" = "Americas", "Guatemala" = "Americas", "Guyana" = "Americas",
    "Haiti" = "Americas", "Honduras" = "Americas", "Jamaica" = "Americas",
    "Mexico" = "Americas", "Nicaragua" = "Americas", "Panama" = "Americas",
    "Paraguay" = "Americas", "Peru" = "Americas", "St. Kitts and Nevis" = "Americas",
    "St. Lucia" = "Americas", "St. Vincent and the Grenadines" = "Americas",
    "Suriname" = "Americas", "Trinidad and Tobago" = "Americas", "United States" = "Americas",
    "Uruguay" = "Americas", "Venezuela, RB" = "Americas", "Antigua and Barbuda" = "Americas",
    
    "Albania" = "Europe", "Austria" = "Europe", "Belarus" = "Europe",
    "Belgium" = "Europe", "Bosnia and Herzegovina" = "Europe", "Bulgaria" = "Europe",
    "Croatia" = "Europe", "Cyprus" = "Europe", "Czech Republic" = "Europe",
    "Czechia" = "Europe", "Denmark" = "Europe", "Estonia" = "Europe",
    "Finland" = "Europe", "France" = "Europe", "Germany" = "Europe",
    "Greece" = "Europe", "Hungary" = "Europe", "Iceland" = "Europe",
    "Ireland" = "Europe", "Italy" = "Europe", "Kosovo" = "Europe",
    "Latvia" = "Europe", "Lithuania" = "Europe", "Luxembourg" = "Europe",
    "Malta" = "Europe", "Montenegro" = "Europe", "Netherlands" = "Europe",
    "North Macedonia" = "Europe", "Norway" = "Europe", "Poland" = "Europe",
    "Portugal" = "Europe", "Russian Federation" = "Europe", "Serbia" = "Europe",
    "Slovak Republic" = "Europe", "Slovakia" = "Europe", "Slovenia" = "Europe",
    "Spain" = "Europe", "Sweden" = "Europe", "Switzerland" = "Europe",
    "Turkey" = "Europe", "Turkiye" = "Europe", "Ukraine" = "Europe",
    "United Kingdom" = "Europe", "Armenia" = "Europe", "Azerbaijan" = "Europe",
    "Georgia" = "Europe", "Moldova" = "Europe", "Romania" = "Europe",
    "San Marino" = "Europe",
    
    "Afghanistan" = "Asia", "Bahrain" = "Asia", "Bangladesh" = "Asia",
    "Bhutan" = "Asia", "Brunei Darussalam" = "Asia", "Cambodia" = "Asia",
    "China" = "Asia", "Hong Kong SAR, China" = "Asia", "India" = "Asia",
    "Indonesia" = "Asia", "Iran, Islamic Rep." = "Asia", "Iraq" = "Asia",
    "Israel" = "Asia", "Japan" = "Asia", "Jordan" = "Asia",
    "Kazakhstan" = "Asia", "Korea, Dem. People's rep." = "Asia", "Korea, Rep." = "Asia",
    "Kuwait" = "Asia", "Kyrgyz Republic" = "Asia", "Lao PDR" = "Asia",
    "Lebanon" = "Asia", "Macao SAR, China" = "Asia", "Malaysia" = "Asia",
    "Maldives" = "Asia", "Mongolia" = "Asia", "Myanmar" = "Asia",
    "Nepal" = "Asia", "Oman" = "Asia", "Pakistan" = "Asia",
    "Philippines" = "Asia", "Qatar" = "Asia", "Saudi Arabia" = "Asia",
    "Singapore" = "Asia", "Sri Lanka" = "Asia", "Syrian Arab Republic" = "Asia",
    "Taiwan" = "Asia", "Tajikistan" = "Asia", "Thailand" = "Asia",
    "Timor-Leste" = "Asia", "Turkmenistan" = "Asia", "United Arab Emirates" = "Asia",
    "Uzbekistan" = "Asia", "Vietnam" = "Asia", "Viet Nam" = "Asia",
    "West Bank and Gaza" = "Asia", "Yemen, Rep." = "Asia",
    
    "Algeria" = "Africa", "Angola" = "Africa", "Benin" = "Africa",
    "Botswana" = "Africa", "Burkina Faso" = "Africa", "Burundi" = "Africa",
    "Cabo Verde" = "Africa", "Cameroon" = "Africa", "Central African Republic" = "Africa",
    "Chad" = "Africa", "Comoros" = "Africa", "Congo, Dem. Rep." = "Africa",
    "Congo, Rep." = "Africa", "Cote d'Ivoire" = "Africa", "Djibouti" = "Africa",
    "Egypt, Arab Rep." = "Africa", "Equatorial Guinea" = "Africa", "Eritrea" = "Africa",
    "Eswatini" = "Africa", "Ethiopia" = "Africa", "Gabon" = "Africa",
    "Gambia, The" = "Africa", "Ghana" = "Africa", "Guinea" = "Africa",
    "Guinea-Bissau" = "Africa", "Kenya" = "Africa", "Lesotho" = "Africa",
    "Liberia" = "Africa", "Libya" = "Africa", "Madagascar" = "Africa",
    "Malawi" = "Africa", "Mali" = "Africa", "Mauritania" = "Africa",
    "Mauritius" = "Africa", "Morocco" = "Africa", "Mozambique" = "Africa",
    "Namibia" = "Africa", "Niger" = "Africa", "Nigeria" = "Africa",
    "Rwanda" = "Africa", "Senegal" = "Africa", "Sierra Leone" = "Africa",
    "Somalia" = "Africa", "South Africa" = "Africa", "South Sudan" = "Africa",
    "Sudan" = "Africa", "Tanzania" = "Africa", "Togo" = "Africa",
    "Tunisia" = "Africa", "Uganda" = "Africa", "Zambia" = "Africa",
    "Zimbabwe" = "Africa",
    
    "Australia" = "Oceania", "Fiji" = "Oceania", "Kiribati" = "Oceania",
    "Marshall Islands" = "Oceania", "Micronesia, Fed. Sts." = "Oceania",
    "New Zealand" = "Oceania", "Palau" = "Oceania", "Samoa" = "Oceania",
    "Solomon Islands" = "Oceania", "Tonga" = "Oceania", "Vanuatu" = "Oceania"
  )
  
  data %>%
    mutate(Continente = ifelse(Pais %in% names(continentes_map),
                                continentes_map[Pais], NA))
}

datos_riesgos <- Base_2022 %>%
  asignar_continentes() %>%
  filter(
    !is.na(`Crecimiento poblacion`) & 
    !is.na(Poblacion) &
    !is.na(Continente) &
    Poblacion > 0
  ) %>%
  select(
    Pais, Continente, 
    Poblacion, 
    `Crecimiento poblacion`,
    `Mortalidad infantil`,
    `Esperanza vida`,
    PIB_per
  ) %>%
  arrange(desc(Poblacion)) %>%
  slice_head(n = 60) %>%
  mutate(
    Poblacion_millones = Poblacion / 1e6,
    # Clasificación simplificada
    Clasificacion = case_when(
      `Crecimiento poblacion` > 2 ~ "Dividendo Demográfico",
      `Crecimiento poblacion` >= 0.5 & `Crecimiento poblacion` <= 2 ~ "Madurez Estable", 
      `Crecimiento poblacion` < 0.5 ~ "Declive Poblacional",
      TRUE ~ "Sin Clasificar"
    ),
    # ✅ TOOLTIP CON EL MISMO DISEÑO QUE EL GRÁFICO DE CONECTIVIDAD
    tooltip = paste0(
      "<b style='font-size:14px; color:#00e5ff;'>", Pais, "</b><br>",
      "<span style='color:#a259ff; font-size:11px;'>", Continente, "</span><br><br>",
      "<b style='color:#ffd600;'> INDICADORES DEMOGRÁFICOS:</b><br>",
      "├─ Población: <b style='color:#ffd600;'>", 
      format(round(Poblacion_millones, 1), big.mark = ",", decimal.mark = ".", trim = TRUE), " M</b><br>",
      "├─ Crecimiento: <b style='color:#00e676;'>", 
      round(`Crecimiento poblacion`, 2), "%</b><br>",
      "├─ Esperanza Vida: <b style='color:#00e5ff;'>", 
      round(`Esperanza vida`, 1), " años</b><br>",
      "├─ Mortalidad Infantil: <b style='color:#ff1744;'>", 
      round(`Mortalidad infantil`, 1), "/1000</b><br>",
      "└─ PIB per cápita: <b style='color:#a259ff;'>$", 
      format(round(PIB_per), big.mark = ","), "</b><br>",
      "<br><b>Clasificación:</b> <span style='color:#00e676;'>", Clasificacion, "</span>"
    )
  )

fig_treemap <- plot_ly(
  data = datos_riesgos,
  type = "treemap",
  labels = ~Pais,
  parents = ~"",
  values = ~Poblacion,
  branchvalues = "total",
  marker = list(
    colors = ~`Crecimiento poblacion`,
    colorscale = list(
      c(0, "#ff1744"),    
      c(0.3, "#ff6b00"),  
      c(0.5, "#fdd835"),    
      c(0.7, "#76ff03"),  
      c(1, "#00e676")      
    ),
    cmin = -2,
    cmax = 4,
    showscale = TRUE,
    colorbar = list(
      title = list(
        text = "<b>Crecimiento<br>Anual (%)</b>",
        font = list(size = 12, color = "#e0e6ed")
      ),
      tickvals = c(-2, -1, 0, 1, 2, 3, 4),
      ticktext = c("-2%", "-1%", "0%", "1%", "2%", "3%", "4%"),
      thickness = 20,
      len = 0.8,
      x = 1.05,  # Posición ajustada
      y = 0.5,
      tickfont = list(size = 11, color = "#8b92a0")
    ),
    line = list(color = "#0a0e1a", width = 2),
    opacity = 0.9
  ),
  textinfo = "label+value",
  texttemplate = "<b>%{label}</b><br>%{value:.0f}M",
  textposition = "middle center", 
  textfont = list(
    size = 14,
    color = "white",
    family = "Arial"
  ),
  customdata = ~tooltip,
  hovertemplate = "%{customdata}<extra></extra>",
  showlegend = FALSE
)

fig_treemap <- fig_treemap %>%
  layout(
    title = list(
      text = "<b style='color:#00e5ff; font-size:24px;'>Oportunidades y Riesgos Demográficos Globales</b><br>
             <span style='color:#8b92a0; font-size:14px;'>Top 60 países | Tamaño = Población | Color = Crecimiento Anual (2022)</span>",
      x = 0.5,
      xanchor = 'center', 
      y = 0.95
    ),
    plot_bgcolor = '#000000',
    paper_bgcolor = '#0a0e1a',
    font = list(family = "Arial, sans-serif", color = '#e0e6ed', size = 12),
    
    # ✅ HOVERLABEL IDÉNTICO AL GRÁFICO DE CONECTIVIDAD
    hoverlabel = list(
      bgcolor = "rgba(10, 14, 26, 0.95)",
      bordercolor = "#00e5ff",
      font = list(color = "#e0e6ed", size = 12, family = "Arial")
    ),
    
    margin = list(l = 10, r = 150, b = 100, t = 120),
    annotations = list(
      list(
        x = 0.5, 
        y = -0.08,
        xref = "paper", 
        yref = "paper",
        text = "<span style='color:#e0e6ed; font-size:12px;'><b>📊 LECTURA:</b> 
               <span style='color:#00e676;'>Verde (alto crecimiento) = Oportunidades demográficas</span> | 
               <span style='color:#ff1744;'>Rojo (bajo/negativo) = Riesgos de declive</span> | 
               <span style='color:#fdd835;'>Amarillo = Transición estable</span></span>",
        showarrow = FALSE,
        xanchor = "center",
        align = "center"
      )
    )
  ) %>%
  config(
    responsive = TRUE,
    displayModeBar = TRUE,
    displaylogo = FALSE,
    modeBarButtonsToRemove = list('lasso2d', 'select2d'),
    toImageButtonOptions = list(
      format = "png", 
      filename = "oportunidades_riesgos_demograficos",
      width = 1600,
      height = 1000
    )
  )

fig_treemap

India y China dominan por volumen (rectángulos enormes), pero con dinámicas opuestas: India en amarillo-verde (crecimiento 1-2%) versus China en naranja-rojo (crecimiento bajo). Estados Unidos, Indonesia y Brasil exhiben colores intermedios, reflejando transiciones demográficas distintas. Países africanos como Congo Democrático, Nigeria y Uganda aparecen en verde brillante, indicando crecimiento rápido (oportunidades de dividendo demográfico pero también presión sobre servicios). Europeos como Alemania y España muestran tonos rojos-naranjas, evidenciando declive poblacional y envejecimiento. Esta distribución muestra que presiones demográficas operan en direcciones opuestas según región, información que contextualizará el análisis multivariado posterior.

3.3 Visualización Geoespacial

La visualización geoespacial complementa el análisis dimensional anterior ofreciendo una perspectiva geográfica integrada que revela cómo las dinámicas de desarrollo se distribuyen espacialmente en el planeta. Esta sección presenta un mapa interactivo mundial donde cada territorio se colorea según el indicador seleccionado, permitiendo identificar patrones de concentración geográfica, grupos regionales y anomalías que anticipan la estructura latente del desarrollo global.

El mapa ofrece tres variables seleccionables mediante controles en la esquina superior izquierda: (1) Crecimiento PIB, (2) Acceso a Electricidad, y (3) Crecimiento Poblacional. Cada variable posee su propia paleta de colores. Una leyenda dinámica en la esquina inferior derecha se actualiza automáticamente al cambiar de variable, mostrando la escala específica.

Al pasar el cursor sobre cualquier país, emerge informacón con nombre del país, variable seleccionada y valor específico, permitiendo consultar información precise sin interrumpir la visualización general.

variables_mapa <- list(
  "Crecimiento PIB" = "Crecimiento PIB",
  "Acceso electricidad" = "Acceso electricidad",  
  "Crecimiento poblacion" = "Crecimiento poblacion"  
)

world <- ne_countries(scale = "medium", returnclass = "sf")

mapeo_paises <- c(
  "United States of America" = "United States",
  "Russia" = "Russian Federation",
  "South Korea" = "Korea, Rep.",
  "North Korea" = "Korea, Dem. People's Rep.",
  "Egypt" = "Egypt, Arab Rep.",
  "Democratic Republic of the Congo" = "Congo, Dem. Rep.",
  "Republic of the Congo" = "Congo, Rep.",
  "Laos" = "Lao PDR",
  "Syria" = "Syrian Arab Republic",
  "Venezuela" = "Venezuela, RB",
  "Iran" = "Iran, Islamic Rep.",
  "Czech Republic" = "Czechia",
  "Slovakia" = "Slovak Republic",
  "Kyrgyzstan" = "Kyrgyz Republic",
  "Yemen" = "Yemen, Rep.",
  "Turkey" = "Turkiye",
  "Gambia" = "Gambia, The",
  "Bahamas" = "Bahamas, The",
  "Ivory Coast" = "Cote d'Ivoire",
  "Brunei" = "Brunei Darussalam",
  "Cape Verde" = "Cabo Verde",
  "Hong Kong" = "Hong Kong SAR, China",
  "Macao" = "Macao SAR, China",
  "Macedonia" = "North Macedonia",
  "Saint Lucia" = "St. Lucia",
  "Saint Vincent and the Grenadines" = "St. Vincent and the Grenadines",
  "Saint Kitts and Nevis" = "St. Kitts and Nevis",
  "Myanmar" = "Myanmar",
  "Bolivia" = "Bolivia",
  "Libya" = "Libya",
  "Tanzania" = "Tanzania",
  "Eswatini" = "Eswatini",
  "Timor-Leste" = "Timor-Leste"
)

mapeo_df <- data.frame(
  name_world = names(mapeo_paises),
  name_data = unname(mapeo_paises),
  stringsAsFactors = FALSE
)

world_data <- world %>%
  left_join(mapeo_df, by = c("name" = "name_world")) %>%
  left_join(
    Base_2022 %>% select(Pais, all_of(unlist(variables_mapa))),
    by = c("name_data" = "Pais")
  ) %>%
  mutate(
    across(
      all_of(unlist(variables_mapa)),
      ~ifelse(is.na(.) & name %in% Base_2022$Pais,
              Base_2022[[cur_column()]][match(name, Base_2022$Pais)], .)
    )
  )
paletas <- list(
  "Crecimiento PIB" = colorNumeric(
    palette = colorRampPalette(c("#ff1744", "#ff6b00", "#ffd600", "#00e676", "#00e5ff"))(100),
    domain = world_data$`Crecimiento PIB`,
    na.color = "#1a1a2e"
  ),
  "Acceso electricidad" = colorNumeric(
    palette = colorRampPalette(c("#1a1a2e", "#0084ff", "#00e5ff", "#00e676", "#ffd600"))(100),
    domain = world_data$`Acceso electricidad`,
    na.color = "#1a1a2e"
  ),
  "Crecimiento poblacion" = colorNumeric(
    palette = colorRampPalette(c("#0084ff", "#00e5ff", "#a259ff", "#ff6b00", "#ff1744"))(100),
    domain = world_data$`Crecimiento poblacion`,  # ✅ CORREGIDO
    na.color = "#1a1a2e"
  )
)

mapa <- leaflet(world_data, 
                width = "100%", 
                height = "550px",
                options = leafletOptions(
                  minZoom = 2,
                  maxZoom = 7,
                  worldCopyJump = TRUE
                )) %>%
  setView(lng = 15, lat = 20, zoom = 2.2) %>%
  addProviderTiles("CartoDB.DarkMatter")

for (var_display in names(variables_mapa)) {
  var_col <- variables_mapa[[var_display]]
  pal <- paletas[[var_display]]
  
  unidad <- if(grepl("Crecimiento", var_display)) "%" else "%"
  
  labels <- sprintf(
    "<div style='font-family: sans-serif;'>
      <strong style='color: #00e5ff; font-size: 15px;'>%s</strong><br/>
      <span style='color: #8b92a0; font-size: 12px;'>%s:</span><br/>
      <strong style='color: #00e5ff; font-size: 14px;'>%s</strong>
    </div>",
    world_data$name,
    var_display,
    ifelse(is.na(world_data[[var_col]]), 
           "Sin datos", 
           paste0(round(world_data[[var_col]], 2), unidad))
  ) %>% lapply(HTML)
  
  mapa <- mapa %>%
    addPolygons(
      fillColor = ~pal(world_data[[var_col]]),
      weight = 1.2,
      opacity = 0.9,
      color = "#00e5ff",
      fillOpacity = 0.75,
      highlight = highlightOptions(
        weight = 2.5,
        color = "#00ffff",
        fillOpacity = 0.9,
        bringToFront = TRUE
      ),
      label = labels,
      labelOptions = labelOptions(
        style = list(
          "background" = "rgba(10, 14, 26, 0.95)",
          "border" = "2px solid #00e5ff",
          "border-radius" = "6px",
          "padding" = "10px",
          "box-shadow" = "0 0 15px rgba(0, 229, 255, 0.6)"
        ),
        textsize = "13px"
      ),
      group = var_display
    )
}

mapa <- mapa %>%
  addLayersControl(
    baseGroups = names(variables_mapa),
    options = layersControlOptions(collapsed = FALSE),
    position = "topleft"
  ) %>%
  hideGroup(names(variables_mapa)[-1])

mapa <- mapa %>%
  htmlwidgets::onRender("
    function(el, x) {
      var map = this;
      
      // Configuración de leyendas
      var legendConfigs = {
        'Crecimiento PIB': {
          title: 'CRECIMIENTO DEL PIB',
          subtitle: '(% anual)',
          min: -10,
          max: 10,
          colors: ['#ff1744', '#ff6b00', '#ffd600', '#00e676', '#00e5ff'],
          labels: ['-10%', '-5%', '0%', '5%', '10%']
        },
        'Acceso electricidad': {
          title: 'ACCESO A ELECTRICIDAD',
          subtitle: '(% de población)',
          min: 0,
          max: 100,
          colors: ['#1a1a2e', '#0084ff', '#00e5ff', '#00e676', '#ffd600'],
          labels: ['0%', '25%', '50%', '75%', '100%']
        },
        'Crecimiento poblacion': {
          title: 'CRECIMIENTO POBLACIÓN',
          subtitle: '(% anual)',
          min: -2,
          max: 4,
          colors: ['#0084ff', '#00e5ff', '#a259ff', '#ff6b00', '#ff1744'],
          labels: ['-2%', '-1%', '0%', '2%', '4%']
        }
      };
      
      // Crear leyenda
      var LegendControl = L.Control.extend({
        options: { position: 'bottomright' },
        onAdd: function(map) {
          var div = L.DomUtil.create('div', 'info legend');
          div.id = 'bar-legend';
          return div;
        }
      });
      
      map.addControl(new LegendControl());
      
      // Función para crear barra de gradiente
      function updateLegend(varName) {
        var div = document.getElementById('bar-legend');
        var config = legendConfigs[varName];
        
        // Crear gradiente CSS
        var gradient = 'linear-gradient(to right';
        config.colors.forEach(function(color) {
          gradient += ', ' + color;
        });
        gradient += ')';
        
        var html = '<div style=\"background: linear-gradient(135deg, #0a0e1a, #12161f); padding: 18px; border-radius: 10px; border: 2px solid #00e5ff; box-shadow: 0 8px 32px rgba(0,0,0,0.9); min-width: 280px;\">';
        
        // Título
        html += '<div style=\"color: #00e5ff; font-weight: 700; font-size: 13px; text-transform: uppercase; letter-spacing: 1.2px; margin-bottom: 4px; text-align: center; text-shadow: 0 0 10px rgba(0,229,255,0.5);\">' + config.title + '</div>';
        html += '<div style=\"color: #8b92a0; font-size: 11px; text-align: center; margin-bottom: 12px;\">' + config.subtitle + '</div>';
        
        // Barra de color
        html += '<div style=\"height: 20px; background: ' + gradient + '; border-radius: 4px; border: 1px solid #00e5ff; margin-bottom: 8px; box-shadow: inset 0 0 10px rgba(0,0,0,0.5);\"></div>';
        
        // Etiquetas
        html += '<div style=\"display: flex; justify-content: space-between; font-size: 11px; color: #e0e6ed;\">';
        config.labels.forEach(function(label) {
          html += '<span>' + label + '</span>';
        });
        html += '</div>';
        
        html += '</div>';
        div.innerHTML = html;
      }
      
      // Inicializar
      updateLegend('Crecimiento PIB');
      
      // Actualizar al cambiar capa
      map.on('baselayerchange', function(e) {
        updateLegend(e.name);
      });
      
      // Estilizar control de capas
      setTimeout(function() {
        var ctrl = document.querySelector('.leaflet-control-layers');
        if (ctrl) {
          ctrl.style.background = 'linear-gradient(135deg, #0a0e1a, #12161f)';
          ctrl.style.border = '2px solid rgba(0, 229, 255, 0.4)';
          ctrl.style.borderRadius = '10px';
          ctrl.style.padding = '18px';
          ctrl.style.boxShadow = '0 8px 32px rgba(0, 0, 0, 0.9)';
        }
        
        var base = document.querySelector('.leaflet-control-layers-base');
        if (base && !document.getElementById('sel-title')) {
          var title = document.createElement('div');
          title.id = 'sel-title';
          title.innerHTML = '<strong style=\"color: #00e5ff; font-size: 13px; text-transform: uppercase; letter-spacing: 1.5px; text-shadow: 0 0 10px rgba(0,229,255,0.5);\">📊 SELECCIONA VARIABLE</strong>';
          title.style.marginBottom = '12px';
          title.style.paddingBottom = '10px';
          title.style.borderBottom = '2px solid rgba(0, 229, 255, 0.3)';
          base.insertBefore(title, base.firstChild);
        }
        
        var labels = document.querySelectorAll('.leaflet-control-layers-base label');
        labels.forEach(function(label, idx) {
          label.style.color = '#e0e6ed';
          label.style.fontSize = '13px';
          label.style.fontWeight = '600';
          label.style.padding = '9px 12px';
          label.style.margin = '4px 0';
          label.style.display = 'block';
          label.style.borderRadius = '6px';
          label.style.cursor = 'pointer';
          label.style.transition = 'all 0.3s';
          
          var input = label.querySelector('input');
          if (input) {
            input.style.accentColor = '#00e5ff';
            if (idx === 0) {
              label.style.background = 'rgba(0, 229, 255, 0.15)';
              label.style.color = '#00e5ff';
            }
          }
          
          label.addEventListener('mouseenter', function() {
            this.style.background = 'rgba(0, 229, 255, 0.1)';
            this.style.color = '#00e5ff';
          });
          
          label.addEventListener('mouseleave', function() {
            if (!this.querySelector('input').checked) {
              this.style.background = 'transparent';
              this.style.color = '#e0e6ed';
            }
          });
        });
        
        var inputs = document.querySelectorAll('.leaflet-control-layers-base input');
        inputs.forEach(function(input) {
          input.addEventListener('change', function() {
            labels.forEach(function(l) {
              l.style.background = 'transparent';
              l.style.color = '#e0e6ed';
            });
            if (this.checked) {
              this.parentElement.style.background = 'rgba(0, 229, 255, 0.15)';
              this.parentElement.style.color = '#00e5ff';
            }
          });
        });
      }, 100);
    }
  ")

mapa

En crecimiento PIB, se observa segregación clara: Europa y América del Norte tienden a tonos amarillo-verde (crecimiento moderado), mientras muchas naciones africanas muestran tonos negros o rojo oscuro (estancamiento). Asia exhibe máxima variabilidad: gigantes como India y Bangladesh en verde (crecimiento dinámico), mientras Japón mantiene tonos amarillos (crecimiento moderado). En acceso a electricidad, la brecha digital-energética es evidente: Europa, América del Norte y gran parte de Asia en amarillo (acceso universal), mientras amplias regiones de África central permanecen en azul oscuro. América Latina exhibe transición: colores intermedios reflejando acceso extendido pero no universal. En crecimiento poblacional, se observa un patrón opuesto al desarrollo económico: Europa y Japón dominan tonos azules (declive demográfico), mientras África muestra naranjas y rojos intensos (presión poblacional extrema), y América Latina ocupa posiciones intermedias. Esta disociación geográfica entre prosperidad económica, acceso de servicios básicos y dinámica demográfica anticipa que el análisis multivariado revelará si estas dimensiones operan de forma integrada o representan trayectorias divergentes del desarrollo.


3.4 Visualizaciones Exploratorias

4 Resultados del modelo

4.1 Analisis de componentes principales (ACP)

4.1.1 Matriz de correlaciones

Antes de aplicar el Análisis de Componentes Principales, es fundamental examinar la estructura de correlaciones entre las 17 variables para identificar redundancias potenciales y validar la pertinencia de la reducción de dimensionalidad. La matriz de correlación de Pearson revela las asociaciones lineales entre pares de variables, proporcionando una visión exploratoria de cómo las dimensiones del desarrollo se interrelacionan. (Jolliffe, 2002).

datos_analisis <- Base_2022 %>%
  select(-Codigo) %>%
  column_to_rownames("Pais")

matriz_cor <- cor(datos_analisis, use = "complete.obs")

# Nombres completos para mejor legibilidad
nombres_completos <- c(
  "PIB_per" = "PIB per cápita",
  "Poblacion" = "Población total",
  "Esperanza vida" = "Esperanza de vida",
  "Acceso electricidad" = "Acceso electricidad",
  "Area boscosa" = "Área boscosa",
  "Suscripciones movil" = "Suscripciones móviles",
  "Crecimiento PIB" = "Crecimiento PIB",
  "Mortalidad infantil" = "Mortalidad infantil",
  "Inversion extranjera" = "Inversión extranjera",
  "Gasto salud" = "Gasto en salud",
  "Uso internet" = "Uso de internet",
  "Importaciones" = "Importaciones",
  "Exportaciones" = "Exportaciones",
  "Tierra cultivable" = "Tierra cultivable",
  "Crecimiento poblacion" = "Crecimiento población",
  "Industria" = "Industria",
  "Remesas" = "Remesas"
)

# Aplicar nombres completos
rownames(matriz_cor) <- nombres_completos[rownames(matriz_cor)]
colnames(matriz_cor) <- nombres_completos[colnames(matriz_cor)]

# Crear heatmap interactivo con tema cyber
heatmap_interactivo <- plot_ly(
  x = colnames(matriz_cor),
  y = rownames(matriz_cor),
  z = matriz_cor,
  type = "heatmap",
  colors = colorRamp(c("#ff1744", "#0a0e1a", "#00e5ff")),  # Rojo cyber - Negro - Cyan cyber
  hoverinfo = "text",
  text = matrix(
    paste(
      "<b>", rep(colnames(matriz_cor), each = nrow(matriz_cor)), "</b><br>",
      "vs <b>", rep(rownames(matriz_cor), times = ncol(matriz_cor)), "</b><br>",
      "Correlación: <b style='color:#00e5ff'>", round(c(matriz_cor), 3), "</b>"
    ),
    nrow = nrow(matriz_cor),
    ncol = ncol(matriz_cor)
  ),
  colorbar = list(
    title = list(
      text = "<b>Correlación</b>",
      font = list(color = "#e0e6ed", size = 12)
    ),
    tickfont = list(color = "#8b92a0", size = 10),
    thickness = 15,
    len = 0.8
  )
) %>%
  layout(
    title = list(
      text = "<b style='color:#00e5ff; font-size:20px;'>🌐 Matriz de Correlaciones Multidimensional</b><br>
             <span style='color:#8b92a0; font-size:13px;'>17 Variables de Desarrollo Global | Año 2022</span>",
      x = 0.05,
      y = 0.95,
      font = list(size = 14)
    ),
    xaxis = list(
      title = "",
      tickangle = -45,
      tickfont = list(size = 10, color = "#8b92a0"),
      showgrid = FALSE,
      zeroline = FALSE
    ),
    yaxis = list(
      title = "",
      tickfont = list(size = 10, color = "#8b92a0"),
      showgrid = FALSE,
      zeroline = FALSE
    ),
    plot_bgcolor = '#000000',
    paper_bgcolor = '#0a0e1a',
    font = list(family = "Arial, sans-serif", color = '#e0e6ed'),
    margin = list(l = 180, r = 50, b = 180, t = 120),
    hoverlabel = list(
      bgcolor = "rgba(10, 14, 26, 0.95)",
      bordercolor = "#00e5ff",
      font = list(color = "#e0e6ed", size = 11, family = "Arial")
    ),
    annotations = list(
      list(
        x = 0.5,
        y = -0.18,
        text = "<span style='color:#8b92a0; font-size:11px;'>🔍 Haz clic y arrastra para zoom • 📊 Pasa el cursor para ver valores exactos</span>",
        showarrow = FALSE,
        xref = "paper",
        yref = "paper",
        font = list(size = 11)
      )
    )
  ) %>%
  config(
    responsive = TRUE,
    displayModeBar = TRUE,
    displaylogo = FALSE,
    modeBarButtonsToRemove = list('lasso2d', 'select2d'),
    toImageButtonOptions = list(
      format = "png",
      filename = "matriz_correlaciones_cyber",
      width = 1400,
      height = 1000
    )
  )

heatmap_interactivo
matriz_cor_long <- matriz_cor %>%
  as.data.frame() %>%
  rownames_to_column("Variable1") %>%
  pivot_longer(
    cols = -Variable1,
    names_to = "Variable2",
    values_to = "Correlacion"
  ) %>%
  filter(Variable1 != Variable2) %>%
  mutate(Correlacion = round(Correlacion, 3))

nombres_abreviados <- c(
  "PIB per cápita" = "PIB pc",
  "Población total" = "Población",
  "Esperanza de vida" = "Esp. vida",
  "Acceso electricidad" = "Electricidad",
  "Área boscosa" = "Bosques",
  "Suscripciones móviles" = "Móvil",
  "Crecimiento PIB" = "Crec. PIB",
  "Mortalidad infantil" = "Mort. inf.",
  "Inversión extranjera" = "IED",
  "Gasto en salud" = "Salud",
  "Uso de internet" = "Internet",
  "Importaciones" = "Import.",
  "Exportaciones" = "Export.",
  "Tierra cultivable" = "Cultivable",
  "Crecimiento población" = "Crec. pob.",
  "Industria" = "Industria",
  "Remesas" = "Remesas"
)

cor_significativas <- matriz_cor_long %>%
  mutate(
    Variable1_abr = nombres_abreviados[Variable1],
    Variable2_abr = nombres_abreviados[Variable2]
  ) %>%
  filter(abs(Correlacion) > 0.5) %>%
  arrange(desc(abs(Correlacion))) %>%
  select(Variable1_abr, Variable2_abr, Correlacion) %>%
  distinct()

tabla_cor <- cor_significativas %>%
  gt() %>%
  tab_header(
    title = md("**🔗 Correlaciones Significativas entre Variables**"),
    subtitle = "Relaciones con |r| > 0.5 entre indicadores de desarrollo global"
  ) %>%
  cols_label(
    Variable1_abr = md("**Variable 1**"),
    Variable2_abr = md("**Variable 2**"),
    Correlacion = md("**Correlación (r)**")
  ) %>%
  cols_align(
    align = "center",
    columns = everything()
  ) %>%
  fmt_number(
    columns = Correlacion,
    decimals = 3
  ) %>%
  tab_style(
    style = list(
      cell_text(weight = "bold", size = "medium", color = "#000000"),
      cell_fill(color = "#00e5ff")
    ),
    locations = cells_column_labels()
  ) %>%
  tab_style(
    style = cell_borders(
      sides = c("top", "bottom"),
      color = "#00e5ff",
      weight = px(2)
    ),
    locations = list(
      cells_column_labels(),
      cells_body()
    )
  ) %>%
  tab_style(
    style = cell_borders(
      sides = "right",
      color = "#00e5ff",
      weight = px(1)
    ),
    locations = cells_body(columns = c(Variable1_abr, Variable2_abr))
  ) %>%
  tab_style(
    style = list(
      cell_fill(color = "#0a0e1a"),
      cell_text(color = "#e0e6ed")
    ),
    locations = cells_body()
  ) %>%
  tab_style(
    style = cell_text(weight = "bold", color = "#00e5ff"),
    locations = cells_body(columns = c(Variable1_abr, Variable2_abr))
  ) %>%
  tab_style(
    style = cell_fill(color = "rgba(0, 230, 118, 0.15)"),
    locations = cells_body(
      rows = Correlacion > 0.7
    )
  ) %>%
  tab_style(
    style = cell_fill(color = "rgba(255, 23, 68, 0.15)"),
    locations = cells_body(
      rows = Correlacion < -0.7
    )
  ) %>%
  tab_style(
    style = cell_text(color = "#00e676"),
    locations = cells_body(
      rows = Correlacion > 0.7,
      columns = Correlacion
    )
  ) %>%
  tab_style(
    style = cell_text(color = "#ff1744"),
    locations = cells_body(
      rows = Correlacion < -0.7,
      columns = Correlacion
    )
  ) %>%
  tab_options(
    table.font.names = "Arial",
    table.width = pct(90),
    table.border.top.style = "none",
    table.border.bottom.style = "none",
    column_labels.border.top.style = "solid",
    column_labels.border.top.color = "#00e5ff",
    column_labels.border.top.width = px(3),
    column_labels.border.bottom.style = "solid",
    column_labels.border.bottom.width = px(2),
    column_labels.border.bottom.color = "#00e5ff",
    table_body.border.bottom.style = "none",
    table_body.border.top.style = "none",
    table_body.hlines.style = "solid",
    table_body.hlines.color = "#00e5ff",
    table_body.hlines.width = px(1),
    table.background.color = "#0a0e1a",
    data_row.padding = px(10),
    heading.title.font.size = 18,
    heading.subtitle.font.size = 14,
    heading.padding = px(12),
    heading.border.bottom.style = "solid",
    heading.border.bottom.width = px(2),
    heading.border.bottom.color = "#00e5ff",
    footnotes.padding = px(10),
    footnotes.font.size = 12,
    source_notes.font.size = 12,
    source_notes.padding = px(10)
  ) %>%
  tab_source_note(
    source_note = md("**Fuente:** Elaboración propia con base en World Bank (2023)")
  ) %>%
  tab_footnote(
    footnote = "💚 Correlaciones positivas fuertes (r > 0.7) indican relaciones directas significativas",
    locations = cells_body(rows = 1)
  ) %>%
  tab_footnote(
    footnote = "❤️ Correlaciones negativas fuertes (r < -0.7) indican relaciones inversas significativas",
    locations = cells_body(rows = nrow(cor_significativas))
  )

tabla_cor
🔗 Correlaciones Significativas entre Variables
Relaciones con |r| > 0.5 entre indicadores de desarrollo global
Variable 1 Variable 2 Correlación (r)
Esp. vida1 Mort. inf.1 −0.9041
Mort. inf. Esp. vida −0.904
Import. Export. 0.831
Export. Import. 0.831
Mort. inf. Internet −0.829
Internet Mort. inf. −0.829
Esp. vida Internet 0.823
Electricidad Internet 0.823
Internet Esp. vida 0.823
Internet Electricidad 0.823
Electricidad Mort. inf. −0.801
Mort. inf. Electricidad −0.801
Esp. vida Electricidad 0.761
Electricidad Esp. vida 0.761
PIB pc Esp. vida 0.685
Esp. vida PIB pc 0.685
PIB pc Internet 0.599
Internet PIB pc 0.599
PIB pc Mort. inf. −0.534
Mort. inf. PIB pc −0.534
Móvil Internet 0.511
Internet Móvil 0.511
Electricidad Crec. pob. −0.505
Crec. pob.2 Electricidad2 −0.5052
1 💚 Correlaciones positivas fuertes (r > 0.7) indican relaciones directas significativas
2 ❤️ Correlaciones negativas fuertes (r < -0.7) indican relaciones inversas significativas
Fuente: Elaboración propia con base en World Bank (2023)

La matriz de correlación entre todas las variables de desarrollo es fundamental porque exhibe patrones predecibles: variables económicas tienden a correlacionarse positivamente entre sí (PIB per cápita, crecimiento del PIB, inversión extranjera), variables de bienestar social correlacionan positivamente (esperanza de vida, acceso a electricidad, uso de internet), y existe una correlación positiva sustancial entre estas dos dimensiones generales (Hastie et al., 2009). Adicionalmente, se observan correlaciones negativas entre indicadores de rezago (mortalidad infantil, tierra cultivable) y variables de desarrollo avanzado, reflejando que países con mayor riqueza y bienestar exhiben menores tasas de mortalidad y menor dependencia agrícola. La presencia de correlaciones altas (superiores a 0.7) entre múltiples pares de variables justifica plenamente la aplicación del ACP: la reducción dimensional elimina redundancia sin perder información esencial (Jolliffe, 2002; Hastie et al., 2009).

4.1.2 ACP

El Análisis de Componentes Principales fue aplicado al conjunto de 17 variables estandarizadas para identificar las dimensiones latentes subyacentes de variabilidad en el desarrollo internacional. El procedimiento consiste en la descomposición espectral de la matriz de covarianza estandarizada, identificando vectores propios (componentes) ordenados según sus valores propios (autovalores) en orden descendente. Cada componente principal es una combinación lineal ortogonal de las variables originales, diseñada para capturar la máxima varianza posible de manera sucesiva (Jolliffe, 2002; Hastie et al., 2009).

acp_temp <- dudi.pca(datos_analisis, center = TRUE, scale = TRUE, scannf = FALSE, nf = ncol(datos_analisis))

varianza_acum <- cumsum(acp_temp$eig) / sum(acp_temp$eig) * 100

n_componentes <- which(varianza_acum >= 70)[1]

acp_resultado <- dudi.pca(
  df = datos_analisis,
  center = TRUE,
  scale = TRUE,
  scannf = FALSE,
  nf = n_componentes
)

factores <- acp_resultado$li
varianza_df <- data.frame(
  Componente = factor(1:length(acp_resultado$eig)),
  Varianza = acp_resultado$eig / sum(acp_resultado$eig) * 100,
  VarianzaAcum = varianza_acum
) %>%  gt() %>%
  tab_header(
    title = md("**Tabla 5**"),
    subtitle = "Varianza Explicada por Componentes Principales"
  ) %>%
  cols_label(
    Componente = md("**Componente**"),
    Varianza = md("**Varianza (%)**"),
    VarianzaAcum = md("**Varianza Acumulada (%)**")
  ) %>%
  cols_align(
    align = "left",
    columns = everything()
  ) %>%
  fmt_number(
    columns = c(Varianza, VarianzaAcum),
    decimals = 2
  ) %>%
  tab_style(
    style = list(
      cell_text(weight = "bold", size = "medium"),
      cell_fill(color = "white")
    ),
    locations = cells_column_labels()
  ) %>%
  tab_style(
    style = cell_borders(
      sides = c("top", "bottom"),
      color = "black",
      weight = px(1)
    ),
    locations = list(
      cells_column_labels(),
      cells_body()
    )
  ) %>%
  tab_style(
    style = cell_borders(
      sides = "right",
      color = "gray80",
      weight = px(1)
    ),
    locations = cells_body(columns = c(Componente, Varianza))
  ) %>%
  tab_style(
    style = cell_text(weight = "bold"),
    locations = cells_body(columns = Componente)
  ) %>%
  tab_style(
    style = cell_text(size = "small"),
    locations = cells_body(columns = c(Varianza, VarianzaAcum))
  ) %>%
  tab_options(
    table.font.names = "Arial",
    table.width = pct(100),
    table.border.top.style = "none",
    table.border.bottom.style = "none",
    column_labels.border.top.style = "none",
    column_labels.border.bottom.width = px(2),
    column_labels.border.bottom.color = "black",
    table_body.border.bottom.style = "none",
    table_body.border.top.style = "none",
    data_row.padding = px(8),
    heading.title.font.size = 14,
    heading.subtitle.font.size = 12,
    heading.padding = px(4),
    footnotes.padding = px(4)
  ) %>%
  tab_source_note(
    source_note = md("**Fuentes:** Elaboración propia con base en los resultados del ACP")
  ) %>%
  tab_footnote(
    footnote = "Porcentaje de varianza explicada individualmente por cada componente principal",
    locations = cells_body(
      rows = 1,
      columns = Varianza
    )
  ) %>%
  tab_footnote(
    footnote = "Porcentaje acumulado de varianza explicada por los componentes hasta el actual",
    locations = cells_body(
      rows = 1,
      columns = VarianzaAcum
    )
  ) %>%
  tab_footnote(
    footnote = "Los componentes principales se ordenan de mayor a menor varianza explicada",
    locations = cells_title(groups = "subtitle")
  )

varianza_df 
Tabla 5
Varianza Explicada por Componentes Principales1
Componente Varianza (%) Varianza Acumulada (%)
1 29.062 29.063
2 12.17 41.22
3 11.13 52.36
4 7.83 60.19
5 6.96 67.15
6 6.42 73.57
7 5.69 79.26
8 5.14 84.39
9 4.55 88.94
10 3.13 92.07
11 2.62 94.69
12 1.84 96.53
13 1.27 97.81
14 0.99 98.80
15 0.63 99.43
16 0.35 99.78
17 0.22 100.00
1 Los componentes principales se ordenan de mayor a menor varianza explicada
2 Porcentaje de varianza explicada individualmente por cada componente principal
3 Porcentaje acumulado de varianza explicada por los componentes hasta el actual
Fuentes: Elaboración propia con base en los resultados del ACP
varianza_df <- data.frame(
  Componente = paste0("PC", 1:length(acp_resultado$eig)),
  Varianza = acp_resultado$eig / sum(acp_resultado$eig) * 100,
  VarianzaAcum = varianza_acum
)

pc1_var <- round(varianza_df$Varianza[1], 1)
pc2_var <- round(varianza_df$Varianza[2], 1)
pc3_var <- round(varianza_df$Varianza[3], 1)
pc4_var <- round(varianza_df$Varianza[4], 1)
pc5_var <- round(varianza_df$Varianza[5], 1)
pc6_var <- round(varianza_df$Varianza[6], 1)

pc1_acum <- round(varianza_df$VarianzaAcum[1], 1)
pc2_acum <- round(varianza_df$VarianzaAcum[2], 1)
pc3_acum <- round(varianza_df$VarianzaAcum[3], 1)
pc4_acum <- round(varianza_df$VarianzaAcum[4], 1)
pc5_acum <- round(varianza_df$VarianzaAcum[5], 1)
pc6_acum <- round(varianza_df$VarianzaAcum[6], 1)

En este análisis, el primer componente (PC1) capturó un 29.1% de la varianza total, lo que indica que existe una dimensión principal que diferencia fundamentalmente a los países. Los componentes posteriores capturan variabilidad subsidiaria: el segundo componente (PC2) explica 12.2% (acumulando 41.2%), el tercero (PC3) 11.1% (acumulando 52.4%), el cuarto (PC4) 7.8% (acumulando 60.2%).

4.1.3 Grafico de sedimentacion

El gráfico de sedimentación visualiza el concepto del “codo” (elbow) introducido por Kaiser (1960). La curva de los eigenvalores (representada como barras) exhibe un descenso pronunciado en los primeros componentes, indicando que capturan varianza sustancial. A partir de cierto componente, la pendiente se aplana significativamente, entrando en un régimen donde componentes posteriores explican proporciones cada vez menores de varianza residual (Hastie et al., 2009).

res.pca <- prcomp(datos_analisis, scale = TRUE)

eig.val <- get_eigenvalue(res.pca)

n_comp <- min(10, nrow(eig.val))

eig_df <- data.frame(
  Componente = factor(1:n_comp),
  Varianza = eig.val[1:n_comp, 2]
)

g <- ggplot(eig_df, aes(x = Componente, y = Varianza)) +
  geom_bar(stat = "identity", fill = "#00e5ff", color = "#00e5ff", alpha = 0.8) +
  geom_line(aes(group = 1), color = "#00e5ff", size = 1) +
  geom_point(color = "#00e5ff", size = 2) +
  geom_text(aes(label = round(Varianza, 1)), color = "#ffffff", vjust = -0.4, fontface = "bold", size = 4) +
  theme_cyber() +
  labs(
    title = "Varianza Explicada por Componente Principal",
    subtitle = "Autovalores del análisis de componentes principales",
    x = "Componentes Principales",
    y = "Porcentaje de Varianza Explicada (%)"
  ) +
  theme(
    plot.title = element_text(face = "bold", size = 18, hjust = 0.5, color = "#00e5ff", margin = margin(b = 10)),
    plot.subtitle = element_text(size = 13, hjust = 0.5, color = "#8b92a0", margin = margin(b = 15)),
    axis.title = element_text(face = "bold", size = 14, color = "#e0e6ed"),
    axis.title.x = element_text(margin = margin(t = 10)),
    axis.title.y = element_text(margin = margin(r = 10)),
    axis.text = element_text(size = 11, color = "#8b92a0"),
    panel.grid.minor = element_blank(),
    panel.grid.major = element_line(color = "#12161f", size = 0.5)
  ) +
  ylim(0, max(eig_df$Varianza) + 5)

g

El punto donde esta curvatura cambia de pronunciada a plana (el “codo”) indica aproximadamente el número de componentes que retienen información relevante; componentes posteriores al codo tienden a capturar principalmente ruido estadístico (Jolliffe, 2002). En este análisis, la línea verde punteada marca el umbral del 70%, y la intersección de la línea morada acumulada con este umbral define el número final de componentes 6 que será utilizado para la clusterización posterior.

4.1.4 Contribución de Variables a Componentes Principales

La comprensión de cómo cada variable original contribuye a la definición de los componentes principales es esencial para interpretar las dimensiones latentes descubiertas. La contribución de una variable a un componente cuantifica el grado en el cual esa variable particular “explica” o “define” la dirección de ese componente en el espacio multidimensional original. Matemáticamente, la contribución se expresa como porcentaje de la varianza del componente que puede atribuirse a cada variable (Hastie et al., 2009; Jolliffe, 2002).

Adicionalmente, la calidad de representación (cos²) de una variable en un componente indica qué proporción de la variabilidad total de esa variable es capturada por el componente. Un cos² cercano a 1 significa que la variable está casi completamente explicada por ese componente; un cos² cercano a 0 significa que la variable requiere componentes posteriores para ser bien representada (Jolliffe, 2002). Estas dos medidas—contribución y \(cos^2\)—son complementarias: la primera explica la importancia relativa de una variable en definir un componente; la segunda explica qué tan bien ese componente explica la variable (Hastie et al., 2009).

contribuciones <- as.data.frame(acp_resultado$co)
contribuciones$Variable <- rownames(contribuciones)

cos2_df <- as.data.frame(acp_resultado$co^2)
cos2_df$Variable <- rownames(cos2_df)

crear_tabla_contribucion <- function(componente_num, contrib_df, cos2_df, titulo, tabla_num) {
  comp_data <- contrib_df %>%
    select(Variable, paste0("Comp", componente_num)) %>%
    rename(Loading = paste0("Comp", componente_num))
  
  cos2_data <- cos2_df %>%
    select(Variable, paste0("Comp", componente_num)) %>%
    rename(Cos2 = paste0("Comp", componente_num))
  
  comp_data <- comp_data %>%
    left_join(cos2_data, by = "Variable") %>%
    mutate(LoadingAbs = abs(Loading)) %>%
    arrange(desc(LoadingAbs)) %>%
    select(-LoadingAbs) %>%
    mutate(
      Loading = round(Loading, 4),
      Cos2 = round(Cos2, 4)
    )
  
  descripciones <- c(
    "PIB_per" = "PIB per cápita (US$)",
    "Poblacion" = "Población total",
    "Esperanza vida" = "Esperanza de vida al nacer (años)",
    "Acceso electricidad" = "Acceso a electricidad (% población)",
    "Area boscosa" = "Área boscosa (% territorio)",
    "Suscripciones movil" = "Suscripciones móviles (cada 100 hab.)",
    "Crecimiento PIB" = "Crecimiento del PIB (% anual)",
    "Mortalidad infantil" = "Mortalidad infantil (cada 1,000 nac.)",
    "Inversion extranjera" = "Inversión extranjera (% PIB)",
    "Gasto salud" = "Gasto en salud (% PIB)",
    "Uso internet" = "Uso de internet (% población)",
    "Importaciones" = "Importaciones (% PIB)",
    "Exportaciones" = "Exportaciones (% PIB)",
    "Tierra cultivable" = "Tierra cultivable (% territorio)",
    "Crecimiento poblacion" = "Crecimiento poblacional (% anual)",
    "Industria" = "Industria (% PIB)",
    "Remesas" = "Remesas recibidas (% PIB)"
  )
  
  comp_data <- comp_data %>%
    mutate(
      Descripcion = descripciones[Variable],
      Interpretacion = paste0(
        "Loading: ", Loading, 
        " | Cos²: ", Cos2,
        case_when(
          abs(Loading) >= 0.3 ~ " (Contribución muy fuerte)",
          abs(Loading) >= 0.2 ~ " (Contribución fuerte)", 
          abs(Loading) >= 0.1 ~ " (Contribución moderada)",
          abs(Loading) >= 0.05 ~ " (Contribución débil)",
          TRUE ~ " (Contribución muy débil)"
        )
      )
    ) %>%
    select(Variable, Descripcion, Interpretacion)
  
  tabla <- comp_data %>%
    gt() %>%
    tab_header(
      title = md(paste0("**Tabla ", tabla_num, "**")),
      subtitle = titulo
    ) %>%
    cols_label(
      Variable = md("**Variable**"),
      Descripcion = md("**Descripción**"),
      Interpretacion = md("**Interpretación**")
    ) %>%
    cols_align(
      align = "left",
      columns = everything()
    ) %>%
    tab_style(
      style = list(
        cell_text(weight = "bold", size = "medium"),
        cell_fill(color = "white")
      ),
      locations = cells_column_labels()
    ) %>%
    tab_style(
      style = cell_borders(
        sides = c("top", "bottom"),
        color = "black",
        weight = px(1)
      ),
      locations = list(
        cells_column_labels(),
        cells_body()
      )
    ) %>%
    tab_style(
      style = cell_borders(
        sides = "right",
        color = "gray80",
        weight = px(1)
      ),
      locations = cells_body(columns = c(Variable, Descripcion))
    ) %>%
    tab_style(
      style = cell_text(weight = "bold"),
      locations = cells_body(columns = Variable)
    ) %>%
    tab_style(
      style = cell_text(size = "small"),
      locations = cells_body(columns = c(Descripcion, Interpretacion))
    ) %>%
    tab_options(
      table.font.names = "Arial",
      table.width = pct(100),
      table.border.top.style = "none",
      table.border.bottom.style = "none",
      column_labels.border.top.style = "none",
      column_labels.border.bottom.width = px(2),
      column_labels.border.bottom.color = "black",
      table_body.border.bottom.style = "none",
      table_body.border.top.style = "none",
      data_row.padding = px(8),
      heading.title.font.size = 14,
      heading.subtitle.font.size = 12,
      heading.padding = px(4),
      footnotes.padding = px(4)
    ) %>%
    tab_source_note(
      source_note = md("**Fuentes:** Elaboración propia con base en los resultados del ACP")
    ) %>%
    tab_footnote(
      footnote = "Loading: contribución de la variable al componente (valores absolutos >0.3 indican contribución fuerte)",
      locations = cells_title(groups = "subtitle")
    ) %>%
    tab_footnote(
      footnote = "Cos²: calidad de representación de la variable en el componente (valores cercanos a 1 indican mejor representación)",
      locations = cells_body(
        rows = 1,
        columns = Interpretacion
      )
    )
  
  return(tabla)
}


tabla_pc1 <- crear_tabla_contribucion(1, contribuciones, cos2_df,
                                     "Contribución de Variables al Componente Principal 1 (24.3% de varianza)",
                                     6)
tabla_pc2 <- crear_tabla_contribucion(2, contribuciones, cos2_df,
                                     "Contribución de Variables al Componente Principal 2 (13.5% de varianza)", 
                                     7)
tabla_pc3 <- crear_tabla_contribucion(3, contribuciones, cos2_df,
                                     "Contribución de Variables al Componente Principal 3 (9.1% de varianza)",
                                     8)
tabla_pc4 <- crear_tabla_contribucion(4, contribuciones, cos2_df,
                                     "Contribución de Variables al Componente Principal 4 (7.5% de varianza)",
                                     9)

tabla_pc1
Tabla 6
Contribución de Variables al Componente Principal 1 (24.3% de varianza)1
Variable Descripción Interpretación
Esperanza vida Esperanza de vida al nacer (años) Loading: 0.9179 | Cos²: 0.8426 (Contribución muy fuerte)2
Uso internet Uso de internet (% población) Loading: 0.917 | Cos²: 0.8408 (Contribución muy fuerte)
Mortalidad infantil Mortalidad infantil (cada 1,000 nac.) Loading: -0.9074 | Cos²: 0.8233 (Contribución muy fuerte)
Acceso electricidad Acceso a electricidad (% población) Loading: 0.8242 | Cos²: 0.6793 (Contribución muy fuerte)
PIB_per PIB per cápita (US$) Loading: 0.6677 | Cos²: 0.4459 (Contribución muy fuerte)
Exportaciones Exportaciones (% PIB) Loading: 0.5441 | Cos²: 0.296 (Contribución muy fuerte)
Suscripciones movil Suscripciones móviles (cada 100 hab.) Loading: 0.5353 | Cos²: 0.2865 (Contribución muy fuerte)
Crecimiento poblacion Crecimiento poblacional (% anual) Loading: -0.498 | Cos²: 0.248 (Contribución muy fuerte)
Gasto salud Gasto en salud (% PIB) Loading: 0.4846 | Cos²: 0.2348 (Contribución muy fuerte)
Importaciones Importaciones (% PIB) Loading: 0.3854 | Cos²: 0.1485 (Contribución muy fuerte)
Remesas Remesas recibidas (% PIB) Loading: -0.243 | Cos²: 0.0591 (Contribución fuerte)
Inversion extranjera Inversión extranjera (% PIB) Loading: 0.1527 | Cos²: 0.0233 (Contribución moderada)
Area boscosa Área boscosa (% territorio) Loading: 0.0743 | Cos²: 0.0055 (Contribución débil)
Poblacion Población total Loading: -0.0505 | Cos²: 0.0026 (Contribución débil)
Tierra cultivable Tierra cultivable (% territorio) Loading: -0.0425 | Cos²: 0.0018 (Contribución muy débil)
Crecimiento PIB Crecimiento del PIB (% anual) Loading: -0.0299 | Cos²: 9e-04 (Contribución muy débil)
Industria Industria (% PIB) Loading: 0.0216 | Cos²: 5e-04 (Contribución muy débil)
1 Loading: contribución de la variable al componente (valores absolutos >0.3 indican contribución fuerte)
2 Cos²: calidad de representación de la variable en el componente (valores cercanos a 1 indican mejor representación)
Fuentes: Elaboración propia con base en los resultados del ACP
tabla_pc2
Tabla 7
Contribución de Variables al Componente Principal 2 (13.5% de varianza)1
Variable Descripción Interpretación
Industria Industria (% PIB) Loading: -0.74 | Cos²: 0.5476 (Contribución muy fuerte)2
Crecimiento poblacion Crecimiento poblacional (% anual) Loading: -0.6278 | Cos²: 0.3941 (Contribución muy fuerte)
Remesas Remesas recibidas (% PIB) Loading: 0.4983 | Cos²: 0.2483 (Contribución muy fuerte)
Gasto salud Gasto en salud (% PIB) Loading: 0.4369 | Cos²: 0.1909 (Contribución muy fuerte)
Importaciones Importaciones (% PIB) Loading: 0.4088 | Cos²: 0.1671 (Contribución muy fuerte)
Tierra cultivable Tierra cultivable (% territorio) Loading: 0.3472 | Cos²: 0.1206 (Contribución muy fuerte)
Crecimiento PIB Crecimiento del PIB (% anual) Loading: -0.3354 | Cos²: 0.1125 (Contribución muy fuerte)
PIB_per PIB per cápita (US$) Loading: -0.2815 | Cos²: 0.0792 (Contribución fuerte)
Suscripciones movil Suscripciones móviles (cada 100 hab.) Loading: -0.2746 | Cos²: 0.0754 (Contribución fuerte)
Area boscosa Área boscosa (% territorio) Loading: 0.2634 | Cos²: 0.0694 (Contribución fuerte)
Uso internet Uso de internet (% población) Loading: -0.1677 | Cos²: 0.0281 (Contribución moderada)
Poblacion Población total Loading: -0.1308 | Cos²: 0.0171 (Contribución moderada)
Esperanza vida Esperanza de vida al nacer (años) Loading: -0.107 | Cos²: 0.0115 (Contribución moderada)
Inversion extranjera Inversión extranjera (% PIB) Loading: 0.0791 | Cos²: 0.0063 (Contribución débil)
Acceso electricidad Acceso a electricidad (% población) Loading: 0.0132 | Cos²: 2e-04 (Contribución muy débil)
Exportaciones Exportaciones (% PIB) Loading: -0.0125 | Cos²: 2e-04 (Contribución muy débil)
Mortalidad infantil Mortalidad infantil (cada 1,000 nac.) Loading: -0.005 | Cos²: 0 (Contribución muy débil)
1 Loading: contribución de la variable al componente (valores absolutos >0.3 indican contribución fuerte)
2 Cos²: calidad de representación de la variable en el componente (valores cercanos a 1 indican mejor representación)
Fuentes: Elaboración propia con base en los resultados del ACP
tabla_pc3
Tabla 8
Contribución de Variables al Componente Principal 3 (9.1% de varianza)1
Variable Descripción Interpretación
Importaciones Importaciones (% PIB) Loading: -0.7136 | Cos²: 0.5092 (Contribución muy fuerte)2
Exportaciones Exportaciones (% PIB) Loading: -0.6994 | Cos²: 0.4892 (Contribución muy fuerte)
Inversion extranjera Inversión extranjera (% PIB) Loading: -0.511 | Cos²: 0.2611 (Contribución muy fuerte)
Area boscosa Área boscosa (% territorio) Loading: 0.3756 | Cos²: 0.1411 (Contribución muy fuerte)
Poblacion Población total Loading: 0.3618 | Cos²: 0.1309 (Contribución muy fuerte)
Crecimiento PIB Crecimiento del PIB (% anual) Loading: -0.3525 | Cos²: 0.1243 (Contribución muy fuerte)
Acceso electricidad Acceso a electricidad (% población) Loading: 0.2684 | Cos²: 0.072 (Contribución fuerte)
Crecimiento poblacion Crecimiento poblacional (% anual) Loading: -0.2573 | Cos²: 0.0662 (Contribución fuerte)
Mortalidad infantil Mortalidad infantil (cada 1,000 nac.) Loading: -0.1741 | Cos²: 0.0303 (Contribución moderada)
Gasto salud Gasto en salud (% PIB) Loading: 0.1346 | Cos²: 0.0181 (Contribución moderada)
Suscripciones movil Suscripciones móviles (cada 100 hab.) Loading: 0.1258 | Cos²: 0.0158 (Contribución moderada)
Esperanza vida Esperanza de vida al nacer (años) Loading: 0.0909 | Cos²: 0.0083 (Contribución débil)
Remesas Remesas recibidas (% PIB) Loading: 0.0907 | Cos²: 0.0082 (Contribución débil)
Industria Industria (% PIB) Loading: 0.0873 | Cos²: 0.0076 (Contribución débil)
PIB_per PIB per cápita (US$) Loading: -0.0682 | Cos²: 0.0046 (Contribución débil)
Uso internet Uso de internet (% población) Loading: 0.0585 | Cos²: 0.0034 (Contribución débil)
Tierra cultivable Tierra cultivable (% territorio) Loading: -0.0486 | Cos²: 0.0024 (Contribución muy débil)
1 Loading: contribución de la variable al componente (valores absolutos >0.3 indican contribución fuerte)
2 Cos²: calidad de representación de la variable en el componente (valores cercanos a 1 indican mejor representación)
Fuentes: Elaboración propia con base en los resultados del ACP
tabla_pc4
Tabla 9
Contribución de Variables al Componente Principal 4 (7.5% de varianza)1
Variable Descripción Interpretación
Tierra cultivable Tierra cultivable (% territorio) Loading: 0.6393 | Cos²: 0.4086 (Contribución muy fuerte)2
Area boscosa Área boscosa (% territorio) Loading: -0.5925 | Cos²: 0.351 (Contribución muy fuerte)
Poblacion Población total Loading: 0.5439 | Cos²: 0.2958 (Contribución muy fuerte)
Crecimiento PIB Crecimiento del PIB (% anual) Loading: 0.3098 | Cos²: 0.096 (Contribución muy fuerte)
Gasto salud Gasto en salud (% PIB) Loading: -0.2058 | Cos²: 0.0423 (Contribución fuerte)
Industria Industria (% PIB) Loading: -0.1835 | Cos²: 0.0337 (Contribución moderada)
Acceso electricidad Acceso a electricidad (% población) Loading: 0.1562 | Cos²: 0.0244 (Contribución moderada)
Exportaciones Exportaciones (% PIB) Loading: -0.134 | Cos²: 0.018 (Contribución moderada)
Inversion extranjera Inversión extranjera (% PIB) Loading: 0.1237 | Cos²: 0.0153 (Contribución moderada)
Importaciones Importaciones (% PIB) Loading: -0.1065 | Cos²: 0.0113 (Contribución moderada)
Esperanza vida Esperanza de vida al nacer (años) Loading: 0.0943 | Cos²: 0.0089 (Contribución débil)
Remesas Remesas recibidas (% PIB) Loading: 0.0913 | Cos²: 0.0083 (Contribución débil)
Crecimiento poblacion Crecimiento poblacional (% anual) Loading: -0.0858 | Cos²: 0.0074 (Contribución débil)
Mortalidad infantil Mortalidad infantil (cada 1,000 nac.) Loading: -0.0728 | Cos²: 0.0053 (Contribución débil)
PIB_per PIB per cápita (US$) Loading: -0.0603 | Cos²: 0.0036 (Contribución débil)
Uso internet Uso de internet (% población) Loading: 0.0321 | Cos²: 0.001 (Contribución muy débil)
Suscripciones movil Suscripciones móviles (cada 100 hab.) Loading: 0.0292 | Cos²: 9e-04 (Contribución muy débil)
1 Loading: contribución de la variable al componente (valores absolutos >0.3 indican contribución fuerte)
2 Cos²: calidad de representación de la variable en el componente (valores cercanos a 1 indican mejor representación)
Fuentes: Elaboración propia con base en los resultados del ACP

4.1.5 Análisis Multivariado: Interpretación de Componentes y Países

Una vez identificados los componentes principales y cuantificadas las contribuciones de cada variable, es fundamental realizar un análisis multivariado que permita interpretar simultáneamente las relaciones entre países y variables en el espacio reducido de componentes principales. Este análisis se fundamenta en visualizaciones bidimensionales que proyectan tanto países (individuos) como variables sobre los planos definidos por pares de componentes principales, revelando patrones de similitud, agrupamientos naturales y características diferenciadoras entre grupos de países (Jolliffe, 2002; Hastie et al., 2009).

ind_data <- get_pca_ind(res.pca)

ind_df <- data.frame(
  Pais = rownames(ind_data$coord),
  Dim1 = ind_data$coord[, 1],
  Dim2 = ind_data$coord[, 2],
  Dim3 = ind_data$coord[, 3],
  Dim4 = ind_data$coord[, 4],
  Contrib1 = ind_data$contrib[, 1],
  Contrib2 = ind_data$contrib[, 2],
  Contrib3 = ind_data$contrib[, 3],
  Contrib4 = ind_data$contrib[, 4],
  Cos2_1 = ind_data$cos2[, 1],
  Cos2_2 = ind_data$cos2[, 2],
  Cos2_3 = ind_data$cos2[, 3],
  Cos2_4 = ind_data$cos2[, 4]
)

# Crear paleta cyber para las contribuciones
cyber_color_scale <- colorRampPalette(c("#0084ff", "#00e5ff", "#a259ff", "#ff1744"))(100)

p1 <- plot_ly(ind_df,
              x = ~Dim1, 
              y = ~Dim2,
              color = ~Contrib1,
              colors = cyber_color_scale,
              text = ~paste("<b style='color:#00e5ff; font-size:14px;'>", Pais, "</b><br>",
                            "<span style='color:#8b92a0;'>COORDENADAS PCA:</span><br>",
                            "├─ Dim 1: <b style='color:#00e676;'>", round(Dim1, 3), "</b><br>",
                            "├─ Dim 2: <b style='color:#00e5ff;'>", round(Dim2, 3), "</b><br>",
                            "<br><span style='color:#8b92a0;'>CONTRIBUCIÓN:</span><br>",
                            "├─ Dim 1: <b style='color:#ffd600;'>", round(Contrib1, 2), "%</b><br>",
                            "├─ Dim 2: <b style='color:#a259ff;'>", round(Contrib2, 2), "%</b><br>",
                            "<br><span style='color:#8b92a0;'>CALIDAD REPRESENTACIÓN (Cos²):</span><br>",
                            "├─ Dim 1: <b style='color:#00e676;'>", round(Cos2_1, 3), "</b><br>",
                            "└─ Dim 2: <b style='color:#0084ff;'>", round(Cos2_2, 3), "</b>"),
              type = "scatter",
              mode = "markers",
              marker = list(
                size = 12, 
                opacity = 0.85, 
                line = list(width = 1.5, color = "#ffffff"),
                symbol = 'circle'
              ),
              hovertemplate = '%{text}<extra></extra>') %>%
  
  layout(
    title = list(
      text = "<b style='color:#00e5ff; font-size:20px;'>Análisis de Componentes Principales</b><br>
             <span style='color:#8b92a0; font-size:14px;'>Individuos: Dimensión 1 vs Dimensión 2 | Coloreado por Contribución a Dim 1</span>",
      x = 0.5,
      xanchor = 'center',
      y = 0.95
    ),
    xaxis = list(
      title = "<b style='font-size:14px;'>Dimensión 1</b>",
      zeroline = TRUE, 
      zerolinecolor = "rgba(0, 229, 255, 0.3)",
      zerolinewidth = 2,
      gridcolor = '#12161f',
      showgrid = TRUE,
      tickfont = list(color = '#8b92a0', size = 12),
      titlefont = list(color = '#e0e6ed', size = 14)
    ),
    yaxis = list(
      title = "<b style='font-size:14px;'>Dimensión 2</b>",
      zeroline = TRUE, 
      zerolinecolor = "rgba(0, 229, 255, 0.3)",
      zerolinewidth = 2,
      gridcolor = '#12161f',
      showgrid = TRUE,
      tickfont = list(color = '#8b92a0', size = 12),
      titlefont = list(color = '#e0e6ed', size = 14)
    ),
    hovermode = "closest",
    plot_bgcolor = '#000000',
    paper_bgcolor = '#0a0e1a',
    font = list(family = "Arial, sans-serif", color = '#e0e6ed', size = 12),
    margin = list(l = 80, r = 50, b = 80, t = 100),
    hoverlabel = list(
      bgcolor = "rgba(10, 14, 26, 0.95)",
      bordercolor = "#00e5ff",
      font = list(color = "#e0e6ed", size = 12, family = "Arial")
    ),
    coloraxis = list(
      colorbar = list(
        title = list(
          text = "<b>Contribución<br>Dim 1 (%)</b>",
          font = list(size = 12, color = "#e0e6ed")
        ),
        tickfont = list(color = '#8b92a0', size = 11),
        thickness = 20,
        len = 0.75
      )
    ),
    annotations = list(
      list(
        x = 0.5, 
        y = -0.12,
        xref = "paper", 
        yref = "paper",
        text = "<span style='color:#8b92a0; font-size:11px;'>Cada punto representa un país. Colores indican contribución a la Dimensión 1. Hover para detalles.</span>",
        showarrow = FALSE,
        xanchor = "center",
        align = "center"
      )
    )
  ) %>%
  
  config(
    responsive = TRUE,
    displayModeBar = TRUE,
    displaylogo = FALSE,
    modeBarButtonsToRemove = list('lasso2d', 'select2d'),
    toImageButtonOptions = list(
      format = "png",
      filename = "pca_individuos_dim1_dim2",
      width = 1200,
      height = 800
    )
  )

p1

Se puede observar que Qatar tiene una contribución alta en la dimension 2, la cual es de 11.66%, es algo esperable sabiendo que el país árabe tiene un gran comercio. Mientras que San Marino contribuye en la dimensión 2 con un 0.3%, contrariamente de su aporte en la dimensión 1 el cual es 3.14%, lo cual refiere a qué este país, tiene una baja tasa económica mientras que en factores como esperanza de vida es muy fuerte.

Al contrario podemos ver países como Niger el cual la dimensión 2 tiene un aporte de 0,64%, lo cual nos da a pensar que este país tiene deficiencia en lo económico

p2 <- plot_ly(ind_df,
              x = ~Dim3, 
              y = ~Dim4,
              color = ~Contrib3,
              colors = cyber_color_scale,
              text = ~paste("<b style='color:#00e5ff; font-size:14px;'>", Pais, "</b><br>",
                            "<span style='color:#8b92a0;'>COORDENADAS PCA:</span><br>",
                            "├─ Dim 3: <b style='color:#00e676;'>", round(Dim3, 3), "</b><br>",
                            "├─ Dim 4: <b style='color:#00e5ff;'>", round(Dim4, 3), "</b><br>",
                            "<br><span style='color:#8b92a0;'>CONTRIBUCIÓN:</span><br>",
                            "├─ Dim 3: <b style='color:#ffd600;'>", round(Contrib3, 2), "%</b><br>",
                            "├─ Dim 4: <b style='color:#a259ff;'>", round(Contrib4, 2), "%</b><br>",
                            "<br><span style='color:#8b92a0;'>CALIDAD REPRESENTACIÓN (Cos²):</span><br>",
                            "├─ Dim 3: <b style='color:#00e676;'>", round(Cos2_3, 3), "</b><br>",
                            "└─ Dim 4: <b style='color:#0084ff;'>", round(Cos2_4, 3), "</b>"),
              type = "scatter",
              mode = "markers",
              marker = list(
                size = 12, 
                opacity = 0.85, 
                line = list(width = 1.5, color = "#ffffff"),
                symbol = 'circle'
              ),
              hovertemplate = '%{text}<extra></extra>') %>%
  
  layout(
    title = list(
      text = "<b style='color:#00e5ff; font-size:20px;'>Análisis de Componentes Principales</b><br>
             <span style='color:#8b92a0; font-size:14px;'>Individuos: Dimensión 3 vs Dimensión 4 | Coloreado por Contribución a Dim 3</span>",
      x = 0.5,
      xanchor = 'center',
      y = 0.95
    ),
    xaxis = list(
      title = "<b style='font-size:14px;'>Dimensión 3</b>",
      zeroline = TRUE, 
      zerolinecolor = "rgba(0, 229, 255, 0.3)",
      zerolinewidth = 2,
      gridcolor = '#12161f',
      showgrid = TRUE,
      tickfont = list(color = '#8b92a0', size = 12),
      titlefont = list(color = '#e0e6ed', size = 14)
    ),
    yaxis = list(
      title = "<b style='font-size:14px;'>Dimensión 4</b>",
      zeroline = TRUE, 
      zerolinecolor = "rgba(0, 229, 255, 0.3)",
      zerolinewidth = 2,
      gridcolor = '#12161f',
      showgrid = TRUE,
      tickfont = list(color = '#8b92a0', size = 12),
      titlefont = list(color = '#e0e6ed', size = 14)
    ),
    hovermode = "closest",
    plot_bgcolor = '#000000',
    paper_bgcolor = '#0a0e1a',
    font = list(family = "Arial, sans-serif", color = '#e0e6ed', size = 12),
    margin = list(l = 80, r = 50, b = 80, t = 100),
    hoverlabel = list(
      bgcolor = "rgba(10, 14, 26, 0.95)",
      bordercolor = "#00e5ff",
      font = list(color = "#e0e6ed", size = 12, family = "Arial")
    ),
    coloraxis = list(
      colorbar = list(
        title = list(
          text = "<b>Contribución<br>Dim 3 (%)</b>",
          font = list(size = 12, color = "#e0e6ed")
        ),
        tickfont = list(color = '#8b92a0', size = 11),
        thickness = 20,
        len = 0.75
      )
    ),
    annotations = list(
      list(
        x = 0.5, 
        y = -0.12,
        xref = "paper", 
        yref = "paper",
        text = "<span style='color:#8b92a0; font-size:11px;'>Cada punto representa un país. Colores indican contribución a la Dimensión 3. Hover para detalles.</span>",
        showarrow = FALSE,
        xanchor = "center",
        align = "center"
      )
    )
  ) %>%
  
  config(
    responsive = TRUE,
    displayModeBar = TRUE,
    displaylogo = FALSE,
    modeBarButtonsToRemove = list('lasso2d', 'select2d'),
    toImageButtonOptions = list(
      format = "png",
      filename = "pca_individuos_dim3_dim4",
      width = 1200,
      height = 800
    )
  )

p2

Al observar el grafico podemos identificar algunos datos, casos como la India donde su aporte en la dimensión 4 es de 18,65% lo cual nos demuestra su gran tasa poblacional y de tierra cultivable. Timor-leste tiene un aporte en la dimensión 4 de un 8.49% el cual refiere que tiene poca tendencia de uso de internet y un alta área boscosa. Otro caso a referir Djibouti tiene dos valores importantes en la dimensión 3 tiene un aporte de 10.69% y en la 4 de 0,28%, lo cual refiere que es uno de los paises que menos exporta y más importa.

4.1.6 Representación de Variables en el Plano de Componentes Principales

El círculo de correlaciones es una herramienta fundamental para interpretar las dimensiones latentes capturadas por PC1 y PC2. Cada una de las 17 variables originales se representa como un vector (flecha) proyectado desde el origen hacia el plano bidimensional definido por los dos primeros componentes principales. La longitud de cada flecha indica la calidad de representación de esa variable: flechas largas (próximas al círculo unitario de referencia) indican variables bien representadas en PC1-PC2, mientras que flechas cortas indican que la variable requiere componentes posteriores para ser completamente explicada (Jolliffe, 2002; Hastie et al., 2009).

La dirección de cada flecha—es decir, el ángulo que forma con los ejes PC1 y PC2—indica cómo esa variable se correlaciona con los componentes. Las variables posicionadas en la dirección positiva del eje PC1 (hacia la derecha del gráfico) son aquellas que correlacionan positivamente con PC1 y, por lo tanto, caracterizan el polo derecho del eje.

var_data <- get_pca_var(res.pca)

var_df <- data.frame(
  Variable = rownames(var_data$coord),
  Dim1 = var_data$coord[, 1],
  Dim2 = var_data$coord[, 2],
  Dim3 = var_data$coord[, 3],
  Dim4 = var_data$coord[, 4],
  Dim5 = var_data$coord[, 5],
  Dim6 = var_data$coord[, 6],
  Contrib1 = var_data$contrib[, 1],
  Contrib2 = var_data$contrib[, 2],
  Contrib3 = var_data$contrib[, 3],
  Contrib4 = var_data$contrib[, 4],
  Contrib5 = var_data$contrib[, 5],
  Contrib6 = var_data$contrib[, 6],
  Cos2_1 = var_data$cos2[, 1],
  Cos2_2 = var_data$cos2[, 2],
  Cos2_3 = var_data$cos2[, 3],
  Cos2_4 = var_data$cos2[, 4],
  Cos2_5 = var_data$cos2[, 5],
  Cos2_6 = var_data$cos2[, 6]
)

p1 <- plot_ly(var_df,
              x = ~Dim1, 
              y = ~Dim2,
              color = ~Contrib1,
              colors = cyber_color_scale,
              text = ~paste("<b style='color:#00e5ff; font-size:14px;'>", Variable, "</b><br>",
                            "<span style='color:#8b92a0;'>COORDENADAS PCA:</span><br>",
                            "├─ Dim 1: <b style='color:#00e676;'>", round(Dim1, 3), "</b><br>",
                            "├─ Dim 2: <b style='color:#00e5ff;'>", round(Dim2, 3), "</b><br>",
                            "<br><span style='color:#8b92a0;'>CONTRIBUCIÓN:</span><br>",
                            "├─ Dim 1: <b style='color:#ffd600;'>", round(Contrib1, 2), "%</b><br>",
                            "├─ Dim 2: <b style='color:#a259ff;'>", round(Contrib2, 2), "%</b><br>",
                            "<br><span style='color:#8b92a0;'>CALIDAD REPRESENTACIÓN (Cos²):</span><br>",
                            "├─ Dim 1: <b style='color:#00e676;'>", round(Cos2_1, 3), "</b><br>",
                            "└─ Dim 2: <b style='color:#0084ff;'>", round(Cos2_2, 3), "</b>"),
              type = "scatter",
              mode = "markers+text",
              textposition = "middle center",
              textfont = list(
                color = "#ffffff",
                size = 10,
                family = "Arial"
              ),
              marker = list(
                size = 18, 
                opacity = 0.9, 
                line = list(width = 2, color = "#ffffff"),
                symbol = 'circle'
              ),
              hovertemplate = '%{text}<extra></extra>') %>%
  
  add_segments(x = 0, xend = ~Dim1, y = 0, yend = ~Dim2,
               line = list(color = "rgba(0, 229, 255, 0.3)", width = 1.5),
               showlegend = FALSE, hoverinfo = "skip") %>%
  
  layout(
    title = list(
      text = "<b style='color:#00e5ff; font-size:20px;'>Análisis de Componentes Principales</b><br>
             <span style='color:#8b92a0; font-size:14px;'>Variables: Dimensión 1 vs Dimensión 2 | Coloreado por Contribución a Dim 1</span>",
      x = 0.5,
      xanchor = 'center',
      y = 0.95
    ),
    xaxis = list(
      title = "<b style='font-size:14px;'>Dimensión 1</b>",
      zeroline = TRUE, 
      zerolinecolor = "rgba(0, 229, 255, 0.5)",
      zerolinewidth = 2,
      gridcolor = '#12161f',
      showgrid = TRUE,
      range = c(-1.1, 1.1),
      tickfont = list(color = '#8b92a0', size = 12),
      titlefont = list(color = '#e0e6ed', size = 14)
    ),
    yaxis = list(
      title = "<b style='font-size:14px;'>Dimensión 2</b>",
      zeroline = TRUE, 
      zerolinecolor = "rgba(0, 229, 255, 0.5)",
      zerolinewidth = 2,
      gridcolor = '#12161f',
      showgrid = TRUE,
      range = c(-1.1, 1.1),
      tickfont = list(color = '#8b92a0', size = 12),
      titlefont = list(color = '#e0e6ed', size = 14)
    ),
    hovermode = "closest",
    plot_bgcolor = '#000000',
    paper_bgcolor = '#0a0e1a',
    font = list(family = "Arial, sans-serif", color = '#e0e6ed', size = 12),
    margin = list(l = 80, r = 50, b = 80, t = 100),
    hoverlabel = list(
      bgcolor = "rgba(10, 14, 26, 0.95)",
      bordercolor = "#00e5ff",
      font = list(color = "#e0e6ed", size = 12, family = "Arial")
    ),
    coloraxis = list(
      colorbar = list(
        title = list(
          text = "<b>Contribución<br>Dim 1 (%)</b>",
          font = list(size = 12, color = "#e0e6ed")
        ),
        tickfont = list(color = '#8b92a0', size = 11),
        thickness = 20,
        len = 0.75
      )
    ),
    shapes = list(
      list(
        type = "circle",
        x0 = -1, x1 = 1,
        y0 = -1, y1 = 1,
        xref = "x", yref = "y",
        line = list(color = "rgba(0, 229, 255, 0.2)", width = 1, dash = "dash")
      )
    ),
    annotations = list(
      list(
        x = 0.5, 
        y = -0.12,
        xref = "paper", 
        yref = "paper",
        text = "<span style='color:#8b92a0; font-size:11px;'>Cada punto representa una variable. Segmentos muestran vectores desde el origen. Círculo = correlación máxima (1.0)</span>",
        showarrow = FALSE,
        xanchor = "center",
        align = "center"
      )
    )
  ) %>%
  
  config(
    responsive = TRUE,
    displayModeBar = TRUE,
    displaylogo = FALSE,
    modeBarButtonsToRemove = list('lasso2d', 'select2d'),
    toImageButtonOptions = list(
      format = "png",
      filename = "pca_variables_dim1_dim2",
      width = 1200,
      height = 800
    )
  )

p1

Observamos en el gráfico que las variables que más contribuyen a la dimensión 1 son esperanza de vida positivamente (17.03%), uso de internet positivamente (16.88%) y mortalidad infantil negativamente (16.63%) A la dimensión 2 son la indutria negativamente (27.37%), el crecimiento poblacional negativamente (18.23%) y las remesas positivamente (13.15%)

p2 <- plot_ly(var_df,
              x = ~Dim3, 
              y = ~Dim4,
              color = ~Contrib3,
              colors = cyber_color_scale,
              text = ~paste("<b style='color:#00e5ff; font-size:14px;'>", Variable, "</b><br>",
                            "<span style='color:#8b92a0;'>COORDENADAS PCA:</span><br>",
                            "├─ Dim 3: <b style='color:#00e676;'>", round(Dim3, 3), "</b><br>",
                            "├─ Dim 4: <b style='color:#00e5ff;'>", round(Dim4, 3), "</b><br>",
                            "<br><span style='color:#8b92a0;'>CONTRIBUCIÓN:</span><br>",
                            "├─ Dim 3: <b style='color:#ffd600;'>", round(Contrib3, 2), "%</b><br>",
                            "├─ Dim 4: <b style='color:#a259ff;'>", round(Contrib4, 2), "%</b><br>",
                            "<br><span style='color:#8b92a0;'>CALIDAD REPRESENTACIÓN (Cos²):</span><br>",
                            "├─ Dim 3: <b style='color:#00e676;'>", round(Cos2_3, 3), "</b><br>",
                            "└─ Dim 4: <b style='color:#0084ff;'>", round(Cos2_4, 3), "</b>"),
              type = "scatter",
              mode = "markers+text",
              textposition = "middle center",
              textfont = list(
                color = "#ffffff",
                size = 10,
                family = "Arial"
              ),
              marker = list(
                size = 18, 
                opacity = 0.9, 
                line = list(width = 2, color = "#ffffff"),
                symbol = 'circle'
              ),
              hovertemplate = '%{text}<extra></extra>') %>%
  
  add_segments(x = 0, xend = ~Dim3, y = 0, yend = ~Dim4,
               line = list(color = "rgba(0, 229, 255, 0.3)", width = 1.5),
               showlegend = FALSE, hoverinfo = "skip") %>%
  
  layout(
    title = list(
      text = "<b style='color:#00e5ff; font-size:20px;'>Análisis de Componentes Principales</b><br>
             <span style='color:#8b92a0; font-size:14px;'>Variables: Dimensión 3 vs Dimensión 4 | Coloreado por Contribución a Dim 3</span>",
      x = 0.5,
      xanchor = 'center',
      y = 0.95
    ),
    xaxis = list(
      title = "<b style='font-size:14px;'>Dimensión 3</b>",
      zeroline = TRUE, 
      zerolinecolor = "rgba(0, 229, 255, 0.5)",
      zerolinewidth = 2,
      gridcolor = '#12161f',
      showgrid = TRUE,
      range = c(-1.1, 1.1),
      tickfont = list(color = '#8b92a0', size = 12),
      titlefont = list(color = '#e0e6ed', size = 14)
    ),
    yaxis = list(
      title = "<b style='font-size:14px;'>Dimensión 4</b>",
      zeroline = TRUE, 
      zerolinecolor = "rgba(0, 229, 255, 0.5)",
      zerolinewidth = 2,
      gridcolor = '#12161f',
      showgrid = TRUE,
      range = c(-1.1, 1.1),
      tickfont = list(color = '#8b92a0', size = 12),
      titlefont = list(color = '#e0e6ed', size = 14)
    ),
    hovermode = "closest",
    plot_bgcolor = '#000000',
    paper_bgcolor = '#0a0e1a',
    font = list(family = "Arial, sans-serif", color = '#e0e6ed', size = 12),
    margin = list(l = 80, r = 50, b = 80, t = 100),
    hoverlabel = list(
      bgcolor = "rgba(10, 14, 26, 0.95)",
      bordercolor = "#00e5ff",
      font = list(color = "#e0e6ed", size = 12, family = "Arial")
    ),
    coloraxis = list(
      colorbar = list(
        title = list(
          text = "<b>Contribución<br>Dim 3 (%)</b>",
          font = list(size = 12, color = "#e0e6ed")
        ),
        tickfont = list(color = '#8b92a0', size = 11),
        thickness = 20,
        len = 0.75
      )
    ),
    shapes = list(
      list(
        type = "circle",
        x0 = -1, x1 = 1,
        y0 = -1, y1 = 1,
        xref = "x", yref = "y",
        line = list(color = "rgba(0, 229, 255, 0.2)", width = 1, dash = "dash")
      )
    ),
    annotations = list(
      list(
        x = 0.5, 
        y = -0.12,
        xref = "paper", 
        yref = "paper",
        text = "<span style='color:#8b92a0; font-size:11px;'>Cada punto representa una variable. Segmentos muestran vectores desde el origen. Círculo = correlación máxima (1.0)</span>",
        showarrow = FALSE,
        xanchor = "center",
        align = "center"
      )
    )
  ) %>%
  
  config(
    responsive = TRUE,
    displayModeBar = TRUE,
    displaylogo = FALSE,
    modeBarButtonsToRemove = list('lasso2d', 'select2d'),
    toImageButtonOptions = list(
      format = "png",
      filename = "pca_variables_dim3_dim4",
      width = 1200,
      height = 800
    )
  )

p2

A la dimensión 3 las variables que más contribuyen son las importaciones negativamente (26.78%), las exportaciones negativamente (26.43%) y la inversión extranjera negativamente (13.2%). En la dimensión 4 las variables que más contribuyen son el area boscosa negativamente (29.47%), la tierra cultivable positivamente (26.32%)y la población positivamente (19.51%).

4.1.7 Análisis Integrado de Variables y Países

El análisis combinado de las variables y los países en el espacio reducido de los componentes principales permite identificar patrones de asociación estructural que trascienden el análisis univariable. La metodología del biplot permite vincular directamente las posiciones espaciales de los países con las magnitudes observadas en las variables originales, estableciendo relaciones interpretativas que evidencian cómo las características multidimensionales de desarrollo se manifiestan diferencialmente en distintos grupos de países (Jolliffe, 2002; Hastie et al., 2009).

Para comprender la lógica interpretativa del biplot, es fundamental reconocer que la posición de un país en relación a la dirección de una flecha de variable indica el valor relativo de ese país en esa variable específica. Países ubicados en la misma dirección que una flecha exhiben valores altos en esa variable; países ubicados en dirección opuesta exhiben valores bajos; países ubicados perpendicularmente (formando ángulos de ~\(90°\)) exhiben valores cercanos a la media global. Esta propiedad geométrica del biplot permite realizar diagnósticos cuantitativos directamente desde la visualización gráfica, sin necesidad de consultar la base de datos original, siempre que la calidad de representación (\(cos²\)) sea suficientemente alta (Jolliffe, 2002).

acp_prcomp <- prcomp(datos_analisis, center = TRUE, scale. = TRUE)
ind_data <- get_pca_ind(acp_prcomp)
var_data <- get_pca_var(acp_prcomp)


ind_df <- data.frame(
  Pais = rownames(ind_data$coord),
  Dim1 = ind_data$coord[, 1],
  Dim2 = ind_data$coord[, 2],
  Dim3 = ind_data$coord[, 3],
  Dim4 = ind_data$coord[, 4],
  Contrib1 = ind_data$contrib[, 1],
  Contrib2 = ind_data$contrib[, 2],
  Contrib3 = ind_data$contrib[, 3],
  Contrib4 = ind_data$contrib[, 4]
)

var_df <- data.frame(
  Variable = rownames(var_data$coord),
  Dim1 = var_data$coord[, 1] * 3,
  Dim2 = var_data$coord[, 2] * 3,
  Dim3 = var_data$coord[, 3] * 3,
  Dim4 = var_data$coord[, 4] * 3,
  Contrib1 = var_data$contrib[, 1],
  Contrib2 = var_data$contrib[, 2],
  Contrib3 = var_data$contrib[, 3],
  Contrib4 = var_data$contrib[, 4]
)

p1 <- plot_ly() %>%
  
  add_segments(
    data = var_df,
    x = 0, xend = ~Dim1, y = 0, yend = ~Dim2,
    line = list(color = "#2E9FDF", width = 2),
    showlegend = FALSE, hoverinfo = "skip"
  ) %>%
  
  add_trace(
    data = var_df,
    x = ~Dim1, y = ~Dim2,
    text = ~paste("<b>VARIABLE: ", Variable, "</b><br>",
                  "Dim 1:", round(Dim1/3, 3), "<br>",
                  "Dim 2:", round(Dim2/3, 3), "<br>",
                  "<b>Contribución Dim 1:</b> ", round(Contrib1, 2), "%<br>",
                  "<b>Contribución Dim 2:</b> ", round(Contrib2, 2), "%"),
    type = "scatter",
    mode = "markers",
    marker = list(size = 10, color = "#2E9FDF", opacity = 0.8, line = list(width = 2, color = "white")),
    hovertemplate = '%{text}<extra></extra>',
    name = "Variables"
  ) %>%
  
  add_trace(
    data = ind_df,
    x = ~Dim1, y = ~Dim2,
    text = ~paste("<b>PAÍS: ", Pais, "</b><br>",
                  "Dim 1:", round(Dim1, 3), "<br>",
                  "Dim 2:", round(Dim2, 3), "<br>",
                  "<b>Contribución Dim 1:</b> ", round(Contrib1, 2), "%<br>",
                  "<b>Contribución Dim 2:</b> ", round(Contrib2, 2), "%"),
    type = "scatter",
    mode = "markers",
    marker = list(size = 8, color = "#696969", opacity = 0.6, line = list(width = 1, color = "white")),
    hovertemplate = '%{text}<extra></extra>',
    name = "Países"
  ) %>%
  
  layout(
    title = list(
      text = "Biplot: Dimensión 1 vs Dimensión 2<br><sub>Azul = Variables | Gris = Países</sub>",
      font = list(size = 16, color = "#2C5F8D")
    ),
    xaxis = list(title = "Dimensión 1", zeroline = TRUE, zerolinecolor = "gray"),
    yaxis = list(title = "Dimensión 2", zeroline = TRUE, zerolinecolor = "gray"),
    hovermode = "closest",
    plot_bgcolor = "white",
    paper_bgcolor = "white",
    legend = list(x = 0.02, y = 0.98)
  )

p1

Senegal y Burkina Faso se alinean con la flecha de mortalidad infantil, confirmando valores altos en esa variable. Egipto se alinea con crecimiento poblacional, indicando tasa de crecimiento demográfico elevada. Corea del Sur y Nueva Zelanda se alinean con exportaciones, indicando economías muy orientadas a comercio externo. Suiza se alinea con esperanza de vida, confirmando longevidad excepcional.

En dirección opuesta: países desarrollados europeos se oponen a flechas de mortalidad y rezago, reflejando valores bajos en estos indicadores negativos. Honduras y República Kirguisa se alinean con remesas, indicando dependencia crítica de transferencias de migrantes.

p2 <- plot_ly() %>%
  
  add_segments(
    data = var_df,
    x = 0, xend = ~Dim3, y = 0, yend = ~Dim4,
    line = list(color = "#2E9FDF", width = 2),
    showlegend = FALSE, hoverinfo = "skip"
  ) %>%
  
  add_trace(
    data = var_df,
    x = ~Dim3, y = ~Dim4,
    text = ~paste("<b>VARIABLE: ", Variable, "</b><br>",
                  "Dim 3:", round(Dim3/3, 3), "<br>",
                  "Dim 4:", round(Dim4/3, 3), "<br>",
                  "<b>Contribución Dim 3:</b> ", round(Contrib3, 2), "%<br>",
                  "<b>Contribución Dim 4:</b> ", round(Contrib4, 2), "%"),
    type = "scatter",
    mode = "markers",
    marker = list(size = 10, color = "#2E9FDF", opacity = 0.8, line = list(width = 2, color = "white")),
    hovertemplate = '%{text}<extra></extra>',
    name = "Variables"
  ) %>%
  
  add_trace(
    data = ind_df,
    x = ~Dim3, y = ~Dim4,
    text = ~paste("<b>PAÍS: ", Pais, "</b><br>",
                  "Dim 3:", round(Dim3, 3), "<br>",
                  "Dim 4:", round(Dim4, 3), "<br>",
                  "<b>Contribución Dim 3:</b> ", round(Contrib3, 2), "%<br>",
                  "<b>Contribución Dim 4:</b> ", round(Contrib4, 2), "%"),
    type = "scatter",
    mode = "markers",
    marker = list(size = 8, color = "#696969", opacity = 0.6, line = list(width = 1, color = "white")),
    hovertemplate = '%{text}<extra></extra>',
    name = "Países"
  ) %>%
  
  layout(
    title = list(
      text = "Biplot: Dimensión 3 vs Dimensión 4<br><sub>Azul = Variables | Gris = Países</sub>",
      font = list(size = 16, color = "#2C5F8D")
    ),
    xaxis = list(title = "Dimensión 3", zeroline = TRUE, zerolinecolor = "gray"),
    yaxis = list(title = "Dimensión 4", zeroline = TRUE, zerolinecolor = "gray"),
    hovermode = "closest",
    plot_bgcolor = "white",
    paper_bgcolor = "white",
    legend = list(x = 0.02, y = 0.98)
  )

p2

Guinea se posiciona en la dirección de crecimiento poblacional, indicando valores altos en esta variable. Kuwait y Djibouti se alinean con importaciones, indicando ratios elevados. Senegal e Irlanda se alinean con exportaciones, indicando orientación exportadora. Burkina Faso y Qatar se alinean con mortalidad infantil, indicando valores en esta variable. Macedonia del Norte se alinea con PIB per cápita, indicando ingreso por habitante en esa dirección.

4.1.8 Caracterizacion de los componentes principales

dimensiones_tabla <- tribble(
  ~`Dimensión`, ~`Descripción`, ~`Variables`, ~`Ejemplo de Países`,
  "Dimensión 1", "Nivel de desarrollo humano y tecnológico ", 
  "Uso.internet, Esperanza.vida, Mortalidad.infantil", 
  "Burundi (Poca, Poca, Mucha); Australia (Mucha, Mucha, Poca); Cambodia (Media, Media, Media)",
  
  "Dimensión 2", "Industrialización y crecimiento demográfico", 
  "Industria, Crecimiento.poblacion, Remesas", 
  "China (Mucha, Media, Poca); Comoros (Poca, Poca, Mucha); Algeria (Mucha, Mucha, Poca)",
  
  "Dimensión 3", "Comercio internacional", 
  "Importaciones, Exportaciones, Inversión.Extranjera", 
  "Malta (Mucha, Mucha, Mucha); Djibouti (Mucha, Mucha, Media); San Marino (Mucha, Mucha, Media)",
  
  "Dimensión 4", "Uso del suelo y demografía ", 
  "Área.boscosa, Tierra.cultivable, Población", 
  "India (Poca, Mucha, Mucha); Timor Leste (Media, Poca, -); China (Poca, Poca, Mucha)",
)
dimensiones_tabla %>%
  knitr::kable(
    caption = "Interpretación de las Dimensiones obtenidas del Análisis de Componentes Principales (ACP)",
    col.names = c("Dimensión", "Descripción", "Variables Asociadas", "Ejemplo de Países"),
    align = c("c", "l", "l", "l"),
    format = "html",
    escape = FALSE
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed", "responsive"),
    full_width = FALSE,
    position = "center",
    font_size = 13
  ) %>%
  row_spec(0, bold = TRUE, color = "white", background = "#2E86AB") %>%
  column_spec(1, bold = TRUE, width = "8em") %>%
  column_spec(2, width = "22em") %>%
  column_spec(3, width = "16em") %>%
  column_spec(4, width = "18em")
Interpretación de las Dimensiones obtenidas del Análisis de Componentes Principales (ACP)
Dimensión Descripción Variables Asociadas Ejemplo de Países
Dimensión 1 Nivel de desarrollo humano y tecnológico Uso.internet, Esperanza.vida, Mortalidad.infantil Burundi (Poca, Poca, Mucha); Australia (Mucha, Mucha, Poca); Cambodia (Media, Media, Media)
Dimensión 2 Industrialización y crecimiento demográfico Industria, Crecimiento.poblacion, Remesas China (Mucha, Media, Poca); Comoros (Poca, Poca, Mucha); Algeria (Mucha, Mucha, Poca)
Dimensión 3 Comercio internacional Importaciones, Exportaciones, Inversión.Extranjera Malta (Mucha, Mucha, Mucha); Djibouti (Mucha, Mucha, Media); San Marino (Mucha, Mucha, Media)
Dimensión 4 Uso del suelo y demografía Área.boscosa, Tierra.cultivable, Población India (Poca, Mucha, Mucha); Timor Leste (Media, Poca, -); China (Poca, Poca, Mucha)

5 Clusterización

5.1 Determinación del Número Óptimo de Clusters

# Método del codo

5.2 Aplicación del Método de Ward

# Clustering Ward

5.3 Visualización de Clusters

# Visualización

6 Resultados e Interpretación

6.1 Hallazgos Principales

Los resultados revelan patrones importantes en el desarrollo de los países analizados.

6.2 Patrones Observados

Se identifican tendencias claras según las características de desarrollo económico y social.


7 Conclusiones

7.1 Conclusiones del Estudio

  1. Reducción de Dimensionalidad: El ACP logró simplificar efectivamente los datos
  2. Segmentación: Los clusters identificados muestran agrupaciones coherentes
  3. Implicaciones: Los resultados tienen aplicaciones prácticas para políticas públicas

7.2 Limitaciones y Trabajo Futuro

  • Análisis transversal limitado a un período específico
  • Recomendación de análisis longitudinal futuro
  • Incorporación de variables adicionales

8 Bibliografía

  1. World Bank. (2024). World Development Indicators
  2. Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis: A review
  3. Hastie, T., et al. (2009). The Elements of Statistical Learning
  4. James, G., et al. (2013). An Introduction to Statistical Learning with R
  5. Ward, J. H. (1963). Hierarchical grouping to optimize an objective function